Identification of Not Liner Process and Cuantification of Friction in Control Valves

RODRIGO ALVITE ROMANO
IDENTIFICAO DE PROCESSOS NO-LINEARES E

QUANTIFICAO DE ATRITO EM VLVULAS DE CONTROLE
So Paulo
2010
RODRIGO ALVITE ROMANO
IDENTIFICAO DE PROCESSOS NO-LINEARES E

QUANTIFICAO DE ATRITO EM VLVULAS DE CONTROLE
Tese apresentada Escola

Politcnica da Universidade de
So Paulo para obteno do ttulo
de Doutor em Engenharia
rea de concentrao:
Engenharia de Sistemas
Orientador:
Prof. Dr. Claudio Garcia
So Paulo
2010
Este exemplar foi revisado e alterado em relao verso original, sob

responsabilidade nica do autor e com a anuncia de seu orientador.
So Paulo, 06 de Janeiro de 2010.
Assinatura do Autor
Assinatura do Orientador
FICHA CATALOGRFICA
Romano, Rodrigo Alvite
Identificao de processos no-lineares e quantificao de atrito em
vlvulas de controle / R.A. Romano. ed.rev. So Paulo, 2010.
130 p.
Tese (Doutorado) - Escola Politcnica da Universidade de So Paulo.
Departamento de Engenharia de Telecomunicaes e Controle.
1. Identificao de sistemas 2. Vlvulas de controle pneumtico
3. Atrito 4. Otimizao no linear I. Universidade de So Paulo. Escola Politcnica. Departamento de Engenharia de Telecomunicaes e
Controle II. t.
Este trabalho dedicado, com todo o

meu apreo e carinho, aos meus pais
Roberto e Nancy, aos meus irmos
Renato e Iara e minha querida esposa Vanessa.
Agradecimentos
Ao professor Claudio Garcia, no apenas pela orientao e sbias palavras,
mas principalmente pela amistosa convivncia nos ltimos anos.
Aos mestres: lvaro Puga Paz, Jos Carlos de Souza Jr., Jos Jaime da Cruz
e, em especial, Vanderlei Cunha Parro. Cada um a sua maneira, vocs so exemplos
para mim.
Faculdade de Engenharia Industrial (FEI) por proporcionar uma formao
acadmica altura dos desafios da minha vida profissional.
Aos colegas de jornada Alain Segundo Potts, tila Madureira Bueno, Daniel
Uehara, Flvio Batista, Paulo Henrique da Rocha e Ricardo Bressan Pinheiro pelos
momentos de reflexo e descontrao durante esta jornada.
Coordenao de Aperfeioamento de Pessoal de Nvel Superior (CAPES),
pelo apoio financeiro.
A todos os meus familiares por todo apoio, amor e unio, mesmo nos momentos
mais difceis. minha esposa Vanessa por sempre estar ao meu lado. Por fim,
gostaria de ressaltar a minha gratido aos meus pais Roberto e Nancy, pois no sei
como eu chegaria at aqui sem o exemplo de fibra e perseverana que vocs sempre
demonstraram.
Resumo
O atrito em vlvulas e a sintonia inadequada de controladores so duas das
maiores causas de degradao no desempenho das malhas de controle que incluem
tais dispositivos. Assim como modelos de atrito so necessrios para diagnosticar o
mau funcionamento das vlvulas ou para compensar os efeitos indesejveis causados
pelo atrito, modelos de processos so de fundamental importncia para o projeto de
controladores. Este trabalho estende mtodos existentes para estimar parmetros de
modelos de atrito e processo, de modo que uma estrutura no-linear adotada para
representar o processo. O procedimento baseado em dados de operao em malha
fechada. Os algoritmos de estimao desenvolvidos so testados com dados simulados e gerados por uma plataforma hbrida (composta por uma vlvula real e por uma
planta simulada de neutralizao de pH), a partir da qual avaliam-se as influncias
de perturbaes, da magnitude do sinal de teste e da sintonia do controlador nos
modelos estimados. Os resultados demonstram que o nvel de atrito corretamente
quantificado, assim como bons modelos para o processo so estimados em diversas
situaes. Alm disso, a extenso proposta apresenta vantagens significativas em
relao a outros mtodos, como: (1) maior exatido na quantificao do nvel de
atrito, principalmente para processos em que as no-lineares sejam mais severas e
(2) estimativas razoveis do comportamento esttico no-linear.
Palavras-chave: identificao de sistemas; vlvulas de controle pneumtico; atrito;
otimizao no-linear.
Abstract
The friction in control valves and inadequate controller tuning are two of the
major sources of performance degradation in control loops that include such devices.
As friction models are needed to diagnose abnormal valve operation or to compensate
such undesirable effects, process models play an essential role in controller design.
This work extends existing methods that jointly identify the friction and process
model parameters, so that a nonlinear structure is adopted to represent the process
model. The procedure is based on data from closed-loop experiments. The developed
estimation algorithms are tested with data from simulations and generated by a
hybrid setup (composed of a real valve and a simulated pH neutralization process), in
which the influences of the process disturbances, of the excitation signal magnitude
and of the controller tuning on estimated models are investigated. The results
demonstrate that the friction is accurately quantified, as well as good process
models are estimated in several situations. In addition, the proposed extension
presents significant advantages in relation to other methods, such as: (1) greater
accuracy for friction quantification, especially for highly nonlinear processes and (2)
reasonable estimates of the nonlinear steady state characteristics.
Keywords: system identification; pneumatic control valves; friction; nonlinear optimization.
Lista de Figuras
2.1
Vlvula de controle com atuador pneumtico . . . . . . . . . . . . . . 10
2.2
Comparao do comportamento da fora de atrito reproduzida pelos

modelos clssico e de Karnopp . . . . . . . . . . . . . . . . . . . . . . 15
2.3
Entrada e sada reproduzida pelo modelo de histerese e a correspondente relao x(k) = f (Fext (k)) . . . . . . . . . . . . . . . . . . . . . 18
2.4
Comportamento da posio da haste em funo do tempo e relao

entrada-sada reproduzida pelo modelo de atrito de Kano . . . . . . . 19
2.5
Fluxograma do modelo emprico de Kano . . . . . . . . . . . . . . . . 21
3.1
Diagrama de blocos de um modelo de Hammerstein . . . . . . . . . . 33
3.2
Estrutura do modelo de Wiener . . . . . . . . . . . . . . . . . . . . . 33
3.3
Modelos de Hammerstein-Wiener e de Lure . . . . . . . . . . . . . . 34
3.4
Esquema para identificao em malha fechada . . . . . . . . . . . . . 38
3.5
Fluxograma do procedimento para a estimao de parmetros do modelo de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1
Malha de controle diante da presena de atrito . . . . . . . . . . . . . 52
4.2
Diagrama de blocos do modelo da malha de controle
4.3
Densidade espectral de potncia do GBN para diferentes Tsw . . . . . 56
4.4
Fluxograma do algoritmo para gerao do sinal GBN . . . . . . . . . 57
4.5
Lugar geomtrico dos valores candidatos ao par (S, J) . . . . . . . . . 59
4.6
Condio inicial para otimizao na busca do par (S, J) . . . . . . . . 63
. . . . . . . . . 53
Lista de Figuras
5.1
Diagrama de blocos da malha simulada . . . . . . . . . . . . . . . . . 74
5.2
Grfico da funo esttica no-linear da planta simulada . . . . . . . 74
5.3
Grficos da simulao com perturbaes de baixa intensidade . . . . . 76
5.4
Dados da simulao para a estimao de parmetros referentes ao

cenrio de perturbao elevada
5.5
. . . . . . . . . . . . . . . . . . . . . 76
Curvas de nvel do comportamento do erro de simulao Cij , nos ce-
nrios de menor e maior perturbao . . . . . . . . . . . . . . . . . . 77
5.6
Grafico de Nyquist do bloco dinmico linear, em ambas as situaes

de perturbao consideradas . . . . . . . . . . . . . . . . . . . . . . . 80
5.7
Mdulo da resposta em frequncia e limite superior do erro de modelagem provenientes do ensaio com baixo nvel de perturbao . . . . . 81
5.8
Limite superior do erro de modelagem no domnio da frequncia na

condio de perturbao mais intensa . . . . . . . . . . . . . . . . . . 82
5.9
Estimativa da funo esttica no-linear . . . . . . . . . . . . . . . . 83
5.10 Diagrama ilustrativo da plataforma hbrida (HIL) . . . . . . . . . . . 84

5.11 Processo de neutralizao de pH . . . . . . . . . . . . . . . . . . . . . 86
5.12 Dados usados na estimao dos parmetros do modelo de atrito de
Karnopp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.13 Comportamento da estimativa dos parmetros de atrito de Karnopp . 92
5.14 Desvio-padro e coeficiente de correlao R2 das estimativas . . . . 93
5.15 Validao cruzada dos modelos de Karnopp e de Kano . . . . . . . . 94
5.16 Relao entrada-sada da vlvula real e reproduzida pelos modelos de
Karnopp e de Kano . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.17 Comportamento do erro de simulao Ci em funo do parmetro S . 98
5.18 Estimativas da curva esttica nos diferentes cenrios de perturbao . 99
5.19 Dados da plataforma HIL com sinais de excitao de diferentes magnitudes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.20 Estimativas do comportamento no-linear ao variar a magnitude do
sinal de excitao d(k) . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Lista de Figuras
5.21 Dados de experimentos gerados ao variar o ganho do controlador da
malha de pH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.22 Ajuste da curva esttica dos experimentos realizados com diferentes
sintonias para o controlador AIC . . . . . . . . . . . . . . . . . . . . 105
5.23 Comparao do pH reproduzido por modelos do processo linear e
no-linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
j ) e limite superior do erro de modelagem dos modelos
B.1 Mdulo de G(e
identificados ao avaliar o efeito de perturbaes . . . . . . . . . . . . 128
j )| e de () referente aos modelos estimaB.2 Comportamento de |G(e
dos adotando sinais de teste com magnitudes distintas . . . . . . . . . 129
j )| e () dos modelos estimados ao variar a

B.3 Relao entre |G(e
sintonia do controlador . . . . . . . . . . . . . . . . . . . . . . . . . . 130
Lista de Tabelas
4.1
Classificao do modelo do bloco linear baseada no limite superior do

erro de modelagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.1
Comparativo dos algoritmos de estimao de parmetros . . . . . . . 78
5.2
Estimativa da funo esttica no-linear da planta simulada . . . . . 83
5.3
Constantes de equilbrio das reaes qumicas . . . . . . . . . . . . . 87
5.4
Concentrao molar e invariantes de reao dos reagentes . . . . . . . 88
5.5
Valores dos parmetros da planta de neutralizao de pH . . . . . . . 89
5.6
Especificaes da vlvula de controle que integra a plataforma HIL . . 90
5.7
Estimativas dos parmetros dos modelos de Karnopp e Kano . . . . . 93
5.8
Cenrios utilizados para avaliar o efeito de perturbaes
5.9
Sntese dos resultados provenientes dos diferentes cenrios de pertur-
. . . . . . . 97
bao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.10 Resultados obtidos ao variar a magnitude do sinal de teste . . . . . . 100
5.11 Efeito da sintonia do controlador nos modelos estimados. . . . . . . . 104
5.12 Comparativo entre os resultados obtidos ao representar o processo
por uma estrutura linear e no-linear . . . . . . . . . . . . . . . . . . 106
Simbologia e abreviaes
Operadores e notao
() G (0, P ): a distribuio da varivel aleatria () tende a gaussiana com mdia
nula e covarincia P ;
()1 : inverso matricial;

()T : transposio do vetor (ou matriz) denotado(a) por ();
x:
derivada temporal de x;
(i) : estimativa de na i-sima iterao;
estimativa de X;
X:
y(k|, ): predio de y(k) para valores fixos de e , baseada em medidas at o
instante k 1;
[Xmin ; Xmax ]: intervalo de valores compreendidos entre Xmin e Xmax ;

{z(k)}N
k=1 : sequncia z(k) para valores de k variando de 1 at N ;
arg min V (): argumento que minimiza a funo V ();
max(): valor mximo;

min(): valor mnimo;
E(): operador de esperana matemtica;
P (): probabilidade do evento () ocorrer;
q: operador de deslocamento, q 1 y(k) = y(k 1);
kk2 : norma euclidiana;
cov(X, Y ): covarincia das variveis X e Y ;

std(): desvio-padro de uma varivel;
RN : espao euclidiano de dimenso N ;
Z+ : conjunto de nmeros inteiros positivos;
Smbolos gerais
(S , J ): parmetros do modelo de atrito que proporcionam o melhor ajuste do
conjunto atrito + processo aos dados observados;
(Si , Jj ): valores candidatos ao par (S, J) indexados por i e j, respectivamente;
: constante que relaciona ts e Tsw ;
Tsw : tempo mdio entre cada comutao do sinal GBN;
S: intervalo de valores candidatos a S adotado na concepo de DS ;
(): limite superior do erro de modelagem do bloco G(q) na frequncia ;

(k): erro de predio de um passo frente do sinal intermedirio w(k);
: parmetros do bloco N que integra a estrutura de Wiener;
: constante usada para gerar o ponto de partida do algoritmo de busca por (S , J );

uij (k): estimativa de u(k) a partir do par (Si , Jj );
: ganho estacionrio do bloco dinmico linear aproximado por uma estrutura FIR;
B (): bias do modelo estimado na frequncia ;
Cij : erro de simulao livre do conjunto atrito + processo com o par (Si , Jj );
D: conjunto de valores candidatos para os parmetros (S, J) do modelo de atrito;
DS , Ci : anlogos D e Cij , para J = 0;
F2 : ndice que quantifica o desempenho do modelo da associao atrito + processo

em reproduzir um conjunto de observaes;
L: bloco dinmico linear;
N : bloco que representa uma funo esttica no-linear;

R: vetor de restries empregado na estimativa de ;
V (): varincia de G(q)

na frequncia ;
: frequncia [rad/s];
c : frequncia de corte;
d , e , u e v : espectro dos sinais d(k), e(k), u(k) e v(k), respectivamente;
ue : densidade de potncia do espectro cruzado de u(k) e e(k);
: matriz de regressores usada na estimativa inicial de ;
v : constante usada para ajustar a relao sinal-rudo nas simulaes;
e2 : varincia de e(k);
mf : especificao da constante de tempo da malha fechada;
p : aproximao da constante de tempo dominante do processo;
: parmetros do bloco L;
: parmetros da funo w(k) = f 1 (y(k));

, (k): vetores de parmetros e de regressores usados na estimativa inicial de G(q);
d(k): sinal de teste no instante k;
e(k): varivel aleatria branca de mdia nula;
f (w(k), ): funo esttica no-linear do modelo de Wiener;
f 1 (y(k), ): mapeamento de y(k) em w(k), tambm expresso por g (y(k), );
G(q), H(q): funes que representam o comportamento dinmico do processo;

G ej , H ej : resposta em frequncia de G(q) e H(q);
G0 (q), H0 (q): valores reais das funes de transferncia G(q) e H(q);

Kp : ganho esttico do processo em torno do ponto de operao;
l, n, nc : ordem do bloco L, do modelo FIR e da mdia mvel usada para representar

as perturbaes do processo, respectivamente;
lmax , mmax : valores mximos de l e m considerados nos clculos de Voe e Voe ;

m: grau das splines cbicas;
N : nmero de observaes em um conjunto de dados;
p: multiplicador de Lagrange;
psw : probabilidade do sinal GBN comutar o valor em um instante especfico;
r(k): sinal de referncia da malha de controle no instante k;
R(i) : direo de busca do algoritmo de otimizao na i-sima iterao (seo 3.2.5);
rN : ndice de correlao linear usado na avaliao do ajuste da curva esttica;
S : valor de S que proporcionam o menor Ci ;
Ts : perodo de amostragem;
ts : tempo de acomodao;
u(k): entrada do modelo do processo no instante k;
V (, ): critrio usado para estimar os parmetros do modelo de Wiener;
v(k): sinal de perturbaes do processo no instante k;
Voe (m): critrio usado para selecionar o grau m da funo f 1 (y(k), );
Voe (l, nc ): critrio adotado para a escolha das estruturas de G(q) e H(q);
w(k): sinal intermedirio entre os blocos interconectados no instante k;
w1 , . . . , wm : extremidades dos trechos do polinmio seccionado f (w(k), );
Y , Y : vetor de dados de sada e a mdia dos valores em Y ;
y(k): sada do modelo do processo no instante k;
y1 , . . . , ym : extremidades dos trechos do polinmio seccionado f 1 (y(k), );
z(k): sada do bloco que representa o atrito na vlvula no instante k;
w (k), w
(k): estimativas de w(k), calculadas a partir de g (y(k), ) e do modelo
FIR, respectivamente;
Smbolos relacionados aos modelos de atrito

v: varivel auxiliar que denota valores candidatos a DV ;
: vetor de parmetros do modelo de atrito de Karnopp;
S, Z: parametrizaes para criar v;
(k): vetor de regressores no instante k;

para um valor especfico de v(s);
(s): Desvio-padro de
Ad : rea do diafragma;
DV : delimita a faixa na qual x(t)
considerada nula;
Fatrito : fora de atrito;
Fc : coeficiente de atrito de Coulomb;
Fext : fora externa aplicada por um atuador pneumtico;
Fmola : fora imposta pela mola;
Fs : atrito seco (fora de breakaway);
Fv : coeficiente de atrito viscoso linear;
J: parmetro do modelo de Kano que reproduz o efeito de slip-jump;
kb : instantes em que a vlvula est prestes a se mover (breakaway);
kmola : constante de elastcidade da mola;

m: massa das partes mveis (haste + obturador) da vlvula;
para um valor especfico de v(s);
R2 (s): Coeficiente de correlao de
S: banda-morta da histerese no modelo de Kano;
vs : velocidade de Stribeck;
x(t): posio da haste no instante t;
Abreviaes e acrnimos
ARMAX: modelo auto-regressivo, de mdia mvel com entradas exgenas (autoregressive moving average model with exogenous inputs);
FIR: resposta finita ao impulso (finite impulse response);
FPE: critrio baseado no erro de predio (final prediction error );
GBN: sinal binrio generalizado (generalized binary signal );
HIL: plataforma hbrida composta por elementos reais e simulados (hardware in the
loop);
LVDT: transdutor diferencial de variao linear, usado para medir a posio da
haste da vlvula (linear variable differential transformer );
MISO: sistema com mltiplas entradas e uma nica sada (multiple input and single
output);
MSE: erro mdio quadrtico (mean square error );
NARMAX: modelo no-linear auto-regressivo, de mdia mvel com entradas exgenas (nonlinear autoregressive moving average model with exogenous inputs);
PI: controlador com aes proporcional e integral;
op: sada do controlador;
pv: varivel controlada;
dB: decibels;
Sumrio
1 Introduo
1.1
Motivao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Contribuies propostas . . . . . . . . . . . . . . . . . . . . . . . . .
1.4
Publicaes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.5
Estrutura do texto . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Modelagem do atrito em vlvulas de controle
2.1
Vlvulas de controle de processos . . . . . . . . . . . . . . . . . . . . 10
2.2
Modelos de atrito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3
2.2.1
Modelos estticos . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.2
Modelos dinmicos . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.3
Modelos empricos . . . . . . . . . . . . . . . . . . . . . . . . 16
Mtodos para a estimao dos parmetros de modelos de atrito . . . 22

2.3.1
2.4
Identificao do modelo de Karnopp . . . . . . . . . . . . . . . 24
Consideraes finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3 Identificao de modelos de processos no-lineares
31
3.1
Modelos de blocos interconectados . . . . . . . . . . . . . . . . . . . . 32
3.2
Identificao de modelos de Wiener . . . . . . . . . . . . . . . . . . . 35

3.2.1
Enunciado do problema . . . . . . . . . . . . . . . . . . . . . 37
Sumrio
3.3
3.2.2
Parametrizao dos blocos L e N . . . . . . . . . . . . . . . . 40
3.2.3
Estimativa inicial de G(q) e f 1 () . . . . . . . . . . . . . . . 42
3.2.4
Reduo do modelo . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.5
Otimizao numrica . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.6
Estimao do bloco esttico no-linear . . . . . . . . . . . . . 48
Comentrios finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4 Identificao dos parmetros do conjunto atrito + processo
51
4.1
Descrio do problema . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.2
Projeto do sinal de excitao . . . . . . . . . . . . . . . . . . . . . . . 54
4.3
Estimao dos parmetros . . . . . . . . . . . . . . . . . . . . . . . . 58
4.4
4.5
4.3.1
Procedimento baseado em busca exaustiva . . . . . . . . . . . 58
4.3.2
Estimao dos parmetros usando otimizao . . . . . . . . . 60
Tcnicas de validao do modelo

4.4.1
Validao por simulaes . . . . . . . . . . . . . . . . . . . . . 64
4.4.2
Validao baseada nos erros de modelagem . . . . . . . . . . . 65
Fechamento do captulo
5 Resultados e discusses
5.1
5.2
. . . . . . . . . . . . . . . . . . . . 64
. . . . . . . . . . . . . . . . . . . . . . . . . 70
73
Identificao de uma planta simulada . . . . . . . . . . . . . . . . . . 73

5.1.1
Experimento para coleta de dados . . . . . . . . . . . . . . . . 75
5.1.2
Estimao dos parmetros . . . . . . . . . . . . . . . . . . . . 77
5.1.3
Validao dos modelos . . . . . . . . . . . . . . . . . . . . . . 79
Planta hbrida de neutralizao de pH . . . . . . . . . . . . . . . . . 84

5.2.1
Descrio da planta de neutralizao de pH . . . . . . . . . . 85
5.2.2
Estimao dos parmetros do modelo de Karnopp . . . . . . . 90
5.2.3
Identificao da planta de neutralizao . . . . . . . . . . . . . 95
Sumrio
6 Concluses e sugestes para trabalhos futuros
109
6.1
Concluses gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.2
Sugestes para trabalhos futuros . . . . . . . . . . . . . . . . . . . . . 111
Referncias Bibliogrficas
113
A Mnimos quadrados com restries de igualdades
123
B Grficos do limite superior de erro da plataforma HIL
127
Captulo 1
Introduo
Este captulo introdutrio se inicia com uma discusso a respeito dos aspectos
mais relevantes que motivaram a escolha do tema de pesquisa. Em seguida (seo
1.2), so descritos os objetivos que nortearam o desenvolvimento deste trabalho. As
contribuies propostas e alguns dos resultados j publicados so expostos, respectivamente, nas sees 1.3 e 1.4. Por fim, a estrutura de captulos do documento
apresentada na seo 1.5.
1.1
Motivao
Em qualquer processo produtivo, eficincia e confiabilidade so sempre ca-
ractersticas desejveis, no sentido de proporcionar produtos de boa qualidade pelo

menor custo possvel, atravs de procedimentos que levem em conta aspectos como
a segurana das pessoas e impactos ao meio ambiente. Uma tpica planta industrial
possui centenas ou at milhares de malhas de controle [21], e o desempenho destas malhas est diretamente relacionado aos custos de produo e qualidade do
produto final.
Diversos trabalhos apontam para o problema de desempenho em malhas de
controle de processos industriais [12, 67]. Em um estudo realizado por Desborough e
Miller [25], baseado nos dados de 26 mil malhas de controle, instaladas em indstrias
de diversos segmentos, concluiu-se que 68% destas malhas oferecem oportunidades
Introduo
de melhorias significativas. Portanto, surge a seguinte questo: o que pode ser feito
para reverter este quadro?
De acordo com Jelali [44], os fatores que comprometem o desempenho de malhas de controle so: erros de projeto, mau-funcionamento de sensores e atuadores,
estrutura ou sintonia de controladores inadequada e falta de manuteno.
Os atuadores mais encontrados nas malhas regulatrias das plantas industriais
so as vlvulas de controle de acionamento pneumtico, que apresentam caractersticas no-lineares (histerese, zona-morta, entre outras) provocadas pelo atrito entre
as partes mveis da vlvula. Este atrito pode causar efeitos indesejveis como erros estacionrios e comportamento oscilatrio. Muitos pesquisadores consideram o
atrito em vlvulas de controle um dos fatores mais relevantes para problemas de
desempenho em malhas de controle [21, 44, 50, 67]. Em outro estudo, realizado
em indstrias canadenses [12], foi mostrado que 30% das malhas oscilavam devido
a problemas relacionados s vlvulas de controle.
A rigor, o funcionamento de qualquer vlvula afetado por atrito, por menor
que seja tal influncia. Quando o atrito muito elevado, um procedimento imediato
de manuteno pode ser necessrio. Por outro lado, em situaes menos severas,
possvel usar compensadores especficos (baseados em modelos) para diminuir a
perda de desempenho da malha, at que uma parada seja programada. Portanto,
algoritmos para quantificao de atrito podem gerar uma classificao de prioridade
de manuteno, de acordo com a intensidade da no-linearidade da vlvula [22]. Nos
casos em que o procedimento de manuteno no for vivel (ou estritamente necessrio), os mesmos modelos usados para quantificar o atrito podem ser usados na sua
compensao. Por este fato, segundo Desborough e Miller [25], um mtodo confivel
e no-intrusivo, capaz de quantificar o atrito em vlvulas de controle operando em
malha fechada altamente necessrio na indstria de processos.
O problema de desempenho devido sintonia e/ou estrutura inadequada de
controladores, em geral, ocorre porque os controladores so sintonizados de forma
1.1 Motivao
excessivamente conservadora para assegurar a estabilidade da malha de controle

[44], pois no se dispe de informaes do processo, ou ento, a sintonia baseada
em modelos grosseiros. Portanto, para que os controladores possam ser melhor sintonizados, so necessrios modelos capazes de reproduzir com fidelidade a dinmica
dos processos envolvidos.
Srinivasan et al. [73] propuseram um mtodo de otimizao, baseado na busca
exaustiva de parmetros, capaz de identificar um modelo linear para o processo e
de quantificar o atrito proveniente da vlvula de controle. luz do que foi dito
anteriormente, este mtodo contempla duas das principais fontes de variabilidade,
pois a quantificao do atrito pode ser usada na soluo de problemas provocados
por no-linearidades da vlvula, ao passo que o modelo do processo pode ser aplicado
na re-sintonia do controlador. Entretanto, esta metodologia emprega uma estrutura
para modelar o atrito que no capaz de reproduzir adequadamente caractersticas
no-lineares importantes de uma vlvula de processo [23, 31].
Controladores lineares so sintonizados para trabalhar em torno de uma faixa
limitada de operao, e eventuais mudanas nestas condies acabam comprometendo o desempenho do sistema. Em se tratando de processos que apresentem nolinearidades mais severas, esta influncia ainda mais significativa. Para processos
cujo comportamento mude significativamente de acordo com o ponto de operao,
uma alternativa recorrer a controladores no-lineares, desde que um modelo que
incorpore tais no-linearidades possa ser obtido.
Atualmente, h tcnicas bem estabelecidas para a obteno de modelos lineares
[58]. Em contrapartida, a identificao de modelos no-lineares vem sendo assunto
de intensa pesquisa [60]. Apesar disto, so raros os trabalhos que tratem o caso
especfico em que os modelos sejam estimados a partir de dados de operao em
malha fechada. Todavia, algoritmos de identificao em malha fechada so de grande
interesse prtico, pois entre outras vantagens, oferecem maior segurana para a
realizao dos experimentos de coleta de dados [30, 89] e, muitas vezes, proporcionam
modelos mais apropriados para o projeto de controladores [42].
Introduo
1.2
Objetivos
Em linhas gerais, este trabalho visa estender a metodologia originalmente
concebida por Srinivasan et al. [73], de modo que uma estrutura mais propcia seja
utilizada para modelar o atrito, e que um modelo no-linear seja empregado na
representao da dinmica do processo. Alm disso, deseja-se que o mtodo de
estimao de parmetros seja aplicvel a dados obtidos com o processo operando
em malha fechada, de modo que o projeto do experimento para a coleta de dados
tambm deve considerar esta questo.
Tais metas podem ser desmembradas nos seguintes objetivos especficos:
Seleo de uma estrutura conveniente para modelar certas no-linearidades
provenientes do atrito em vlvulas de controle;
Escolha de uma estrutura de modelo capaz de incorporar boa parte de eventuais comportamentos no-lineares referentes ao processo;
Desenvolvimento de um algoritmo para a estimao de parmetros de modelos
no-lineares, baseado em dados obtidos com o processo operando em malha
fechada;
Estudo de ferramentas para a validao dos modelos obtidos.
1.3
Contribuies propostas
A primeira contribuio originada deste trabalho uma metodologia para a
quantificao do atrito em vlvulas de controle usando o modelo de Karnopp [51].

Este mtodo supe que a posio da haste da vlvula seja conhecida. Apesar desta
suposio no ser comumente encontrada em casos prticos, os resultados obtidos
ao aplicar o mtodo em uma vlvula real [70] mostraram que uma estrutura mais
simples poderia ser utilizada para representar o fenmeno de atrito em vlvulas de
controle.
1.4 Publicaes
Outra contribuio a ser mencionada o desenvolvimento de um algoritmo

para estimar os parmetros de modelos de Wiener (construdos a partir da associao
de um bloco dinmico linear seguido por uma funo esttica no-linear). Alm de
se basear em um critrio considerado mais apropriado para o caso em que os dados
sejam adquiridos em malha fechada [38, 91], com o intuito de facilitar o uso do
algoritmo, so incorporadas funcionalidades que tornam a seleo da estrutura do
modelo praticamente automtica.
Por fim, o procedimento de identificao do conjunto atrito + processo, em
que um modelo de Wiener usado para incorporar a dinmica do processo e o atrito
na vlvula de controle quantificado atravs de um modelo constitudo por dois
parmetros, considerado como uma terceira contribuio deste trabalho.
1.4
Publicaes
At este momento foram publicados quatro artigos em congressos (trs inter-
nacionais e um nacional). O primeiro deles [69], cujo ttulo Comparision between

two friction model parameter estimation methods applied to control valves apresenta
o algoritmo de estimao de parmetros do modelo de atrito de Karnopp (subseo
2.3.1) e foi publicado nos anais do 8th IFAC Symposium on Dynamics and Control
of Process Systems, DYCOPS ocorrido em Cancn, Mxico, no ano de 2007.
A aplicao deste algoritmo a uma vlvula real gerou o trabalho intitulado
Karnopp friction model identification for a real control valve [70], apresentado
em 2008, no 17th IFAC World Congress, realizado em Seul (Coria do Sul). Os
resultados obtidos nesse trabalho motivaram a elaborao do artigo Comparao
e equivalncia dos modelos de atrito de Kano e Karnopp aplicados a vlvulas de
controle [79], publicado nos anais do XVII Congresso Brasileiro de Automatica,
realizado em 2008, na cidade de Juiz de Fora - MG. Os artigos citados anteriormente
referem-se, basicamente, modelagem e quantificao do atrito em vlvulas de
controle.
Introduo
Os resultados da aplicao do mtodo de identificao do conjunto atrito +
processo em dados simulados foram redigidos na forma de um artigo Valve friction and nonlinear process model closed-loop identification [71], publicado no 7th
International Symposium on Advanced Control of Chemical Processes, ADCHEM
ocorrido em julho deste ano, em Istambul (Turquia).
A aplicao do algoritmo de estimao de parmetros do modelo de Wiener a
dados gerados em malha fechada por uma planta simulada de neutralizao de pH,
deve gerar um artigo visando o XVIII Congresso Brasileiro de Automatica CBA, a
ser realizado em 2010, em Bonito - MS.
Tambm pretende-se publicar os resultados obtidos ao identificar o conjunto
atrito + processo em uma plataforma hbrida no 9th IFAC Symposium on Dynamics and Control of Process Systems, a ser realizado em julho de 2010, em Leuven
(Blgica). Esse trabalho tambm est sendo redigido na forma de um artigo a ser
enviado a um peridico da rea de controle de processos.
1.5
Estrutura do texto
O captulo 2 trata da modelagem do atrito em vlvulas de controle. As prin-
cipais estruturas de modelos de atrito, assim como suas respectivas vantagens e desvantagens so discutidas. Um mtodo para a estimao dos parmetros do modelo
de atrito de Karnopp, aplicado a uma vlvula de controle pneumtico apresentado.
A identificao caixa-preta de modelos de Wiener abordada no captulo 3.
Inicialmente so apresentados os principais modelos no-lineares construdos a partir
da associao de blocos dinmicos lineares e estticos no-lineares. Em seguida,
apresenta-se uma reviso bibliogrfica a respeito das abordagens existentes para a
estimao dos modelos de Wiener. Enfim, proposto um algoritmo para determinar
a estrutura e estimar os parmetros deste modelo.
A quantificao do atrito e a identificao do modelo do processo, com dados
1.5 Estrutura do texto
de malha fechada, tratada no captulo 4. Primeiramente discute-se o projeto de

um sinal de excitao. Em seguida, so apresentados dois algoritmos para estimar os
parmetros do conjunto atrito + processo. Para auxiliar na validao dos modelos
estimados, descreve-se um mtodo para inferir limites para o erro de modelagem no
domnio da frequncia.
No captulo 5 os mtodos de identificao propostos so aplicados a uma planta
simulada no-linear sujeita a atrito. Tambm estuda-se a identificao de uma plataforma hbrida, composta por uma vlvula real integrada a uma planta simulada
de neutralizao de pH. Os resultados so avaliados em relao robustez diante
de perturbaes, influncia da magnitude do sinal de excitao e sintonia do
controlador.
As principais concluses do trabalho so resumidas no incio do captulo 6.
Posteriormente, so citadas algumas propostas de continuidade ao tema explorado
neste trabalho.
O documento inclui ainda dois apndices. No primeiro derivada a expresso
usada no clculo da estimativa inicial do modelo de Wiener. No apndice B so
apresentados os grficos de limite superior do erro de modelagem empregados na
validao dos modelos durante a identificao da plataforma hbrida.
Captulo 2
Modelagem do atrito em vlvulas de
controle
O fenmeno de atrito desperta o interesse de pesquisadores e engenheiros desde
o sculo XVI, quando a primeiro modelo matemtico para represent-lo foi proposto
por Leonardo da Vinci. Apesar de ser objeto de estudo h muito tempo, esse fenmeno ainda no completamente conhecido pela comunidade cientfica, tanto que
novas estruturas de modelos ainda tm sido propostas nos ltimos anos [27, 55, 75].
O atrito pode ser descrito como uma fora tangencial que surge em oposio movimentao, ou mesmo tendncia de movimento, entre dois corpos cujas
superfcies estejam em contato [4]. Quando presente em dispositivos atuadores, o
atrito pode ocasionar erros estacionrios, ciclos limite e o indesejvel fenmeno de
escorregamento, tambm conhecido por stick-slip, que provocado pelo fato da
fora de atrito ser maior durante uma situao de repouso do que em situaes de
movimento [16].
Em estratgias que visem compensar os efeitos do atrito, sem recorrer a malhas
de controle com ganho elevado [26], um modelo adequado imprescindvel para
prever e compensar os efeitos provocados pelo atrito. Alm disso, modelos de atrito
podem ser usados na anlise de estabilidade, na previso de ciclos limite de malhas
de controle e no desenvolvimento de simuladores de processos.
Justificada a importncia dos modelos de atrito, antes de iniciar uma reviso
10
Modelagem do atrito em vlvulas de controle
acerca das estruturas de modelo disponveis, faz-se necessria uma breve descrio
das vlvulas de controle, cujo comportamento no-linear causado pela presena de
atrito, uma das principais fontes de variabilidade nas malhas de controle [21].
2.1
Vlvulas de controle de processos

Basicamente, as vlvulas de controle so dispositivos capazes de variar a res-
trio passagem de um fluido em resposta a um sinal de comando. As vlvulas de

controle so compostas por dois conjuntos principais: corpo e atuador. O primeiro,
em destaque no canto inferior direito da Figura 2.1, abriga a sede da vlvula. A
vazo do fluido alterada de acordo com a posio de um obturador em relao
sede da vlvula.
Figura 2.1: Corpo e atuador de uma vlvula de controle com atuador pneumtico (adaptado
de manuais tcnicos [28, 29]).
2.1 Vlvulas de controle de processos
11
O conjunto atuador que proporciona a fora motriz para movimentar o obturador. No caso dos atuadores pneumticos, os mais usuais por questes de custo
e simplicidade, o sinal de controle convertido em presso de ar e age sobre um
diafragma em oposio fora elstica de uma mola (Figura 2.1). Portanto, como
o diafragma est ligado ao obturador atravs de uma haste, o desequilbrio entre as
foras da mola e a produzida pelo ar resulta em movimentos do obturador.
Para evitar vazamento de fluido entre a haste e o corpo da vlvula, so utilizados anis circulares de vedao, tambm chamados de gaxetas , que por exercerem
contato com as partes mveis (haste e obturador), provocam atrito entre as superfcies.
Ao considerar o atrito provocado pelo contato das gaxetas de vedao com a
haste da vlvula, o balano de foras baseado na segunda lei de Newton dado por:
m x(t) =
m
Foras
d2
x(t) = Fext (t) + Fmola (t) Fatrito (t),
dt2
(2.1)
em que m a massa das partes mveis; x(t) a posio da haste; Fext (t) = Ad Pext (t)
a fora externa aplicada, Pext (t) a presso de ar que atua sobre o diafragma e
Ad a rea do diafragma; Fmola (t) = kmola x(t) a fora da mola e kmola a
constante de elasticidade da mola; Fatrito (t) a fora de atrito.
Uma vasta quantidade de estruturas, cujo propsito modelar dispositivos
sujeitos a atrito, pode ser encontrada na literatura. A prxima seo apresenta uma
discusso a respeito das estruturas disponveis para tratar o problema da modelagem
das no-linearidades presentes em vlvulas de controle devidas ao atrito.
Em geral, utilizam-se gaxetas de Teflonr , que apresentam menos atrito quando comparadas s
de grafite; entretanto, as primeiras no so adequadas em aplicaes em que fluidos de temperatura

elevada escoem pela vlvula.
12
2.2
Modelos de atrito
H alguns anos, um grupo de pesquisadores [6] publicou uma reviso completa
sobre a modelagem do atrito num contexto geral. Recentemente, Garcia [31] avaliou o desempenho de diversas estruturas empregadas na simulao de vlvulas de
controle com diferentes nveis de atrito.
De acordo com Altpeter [4], os modelos de atrito podem ser agrupados em
duas classes: estticos e dinmicos. Recentemente, modelos voltados a vlvulas
de controle, pertencentes a uma terceira classe, conhecida por empricos ou datadriven foram propostos [21, 50, 74]. Nos primeiros, a fora de atrito modelada
explicitamente, ao passo que a classe de modelos empricos, faz uso de relaes
matemticas para representar comportamentos especficos causados pelo atrito, num
dado dispositivo. Algumas das caractersticas, assim como as principais estruturas
propostas de cada classe, so apresentadas a seguir.
2.2.1
Modelos estticos
Nos modelos estticos, como o prprio nome diz, a fora de atrito dada por
um mapeamento esttico da velocidade da haste e da fora motriz (Fext + Fmola ).
A forma mais usual de realizar este mapeamento atravs da superposio de trs
componentes:
Atrito de Coulomb, Fc , que representa uma fora constante que atua em
oposio direo do movimento, e independe da magnitude da velocidade.
Acredita-se que este seja o principal componente de atrito em vlvulas de
controle [48].
Atrito viscoso linear, Fv x(t),
onde x(t)
a velocidade (da haste, no contexto de vlvulas). Este componente surge quando h deslocamento entre
duas superfcies lubrificadas, e a sua magnitude aumenta linearmente com a
velocidade, de acordo com o coeficiente Fv .
2.2 Modelos de atrito
13
Atrito esttico, Fs , tambm conhecido como atrito seco ou stiction, (juno

das palavras static e friction), quantifica o atrito na iminncia de movimento.
Em outras palavras, a fora necessria para iniciar o movimento deve superar
o atrito esttico.
Uma estrutura de modelo distinta pode ser obtida de acordo com a forma
como os componentes descritos anteriormente forem combinados. A forma geral de
descrever a fora de atrito numa vlvula de controle, conhecida como modelo clssico
[6], dada por:
Fatrito (Fext (t), x(t),
x(t)) =
Fext (t) kmola x(t) , se x(t)
= 0;
Fdin (t)
, caso contrrio.
(2.2)
A primeira linha em (2.2) representa a fora de atrito em situaes de repouso,

enquanto a segunda caracteriza o regime dinmico, no qual Fdin (t) dado por:
Fdin (t) = sgn (x(t))
Fc + Fv x(t)
+ sgn (x(t))
(Fs Fc ) e(
2
x(t)
vs
),
(2.3)
em que a funo sgn (x(t))
definida como:
< 0;
1 , se x(t)
0 , se x(t)
= 0;
sgn (x(t))
1 , se x(t)
> 0.
e vs , denominado velocidade de Stribeck, um fator usado para ajustar a atenuao

do termo relacionado a Fs em (2.3). Este termo visa quantificar o comportamento
de uma parcela da fora de atrito, denominada atrito de Stribeck , que decresce
monotonicamente quando ocorre movimento. Para capturar este comportamento,
valores empricos so atribudos a vs .
O atrito de Stribeck foi verificado experimentalmente no incio do sculo XX, pelo cientista
alemo Richard Stribeck (1861-1950), enquanto investigava a relao da fora de atrito com a
velocidade do movimento [4].
14

O fenmeno de atenuao do atrito, quando um corpo passa do regime esttico
para o dinmico, chamado stick-slip. No caso das vlvulas de controle, como consequncia deste fenmeno, toda vez que a haste iniciar um movimento, ou seja:
|Fext (t) kmola x(t)| > Fs
a movimentao ocorrer na forma de um salto, denominado slip-jump [21].
Vale ressaltar que, ao utilizar o modelo (2.2) em simuladores, a comutao
entre os regimes esttico e dinmico depende da condio x(t)
= 0. No entanto,
detectar esta condio no trivial, pois x(t)
calculado numericamente a partir de

valores da posio. Para resolver este problema, Karnopp [51] props a criao de
uma faixa de valores, dentro da qual a velocidade do movimento seja considerada
nula. Com este artifcio, o modelo (2.2) reescrito como:
Fc sgn (x(t))
+ Fv x(t)
, se |x(t)|
> DV
, se |x(t)|
< DV e
F (t) k
ext
mola x(t)
|Fext (t) kmola x(t)| 6 Fs
Fatrito (t) =
, se |x(t)|
< DV e
Fs sgn (Fext (t) kmola x(t))

|Fext (t) kmola x(t)| > Fs ,
(2.4)
em que DV delimita a faixa na qual a velocidade considerada nula. Alm dos

regimes dinmico e esttico, descritos respectivamente na primeira e segunda linhas
de (2.4), o modelo de Karnopp [51] tambm distingue a situao de iminncia de
movimento, que ocorre quando |Fext (t) kmola x(t)| > Fs enquanto |x(t)|
< DV .
Para ilustrar a diferena entre o comportamento da fora de atrito em funo
da velocidade, reproduzido pelos modelos clssico e de Karnopp, as expresses (2.2)
e (2.4) foram simuladas utilizando os seguintes parmetros:
Fc = 600N,
Fv = 2200 Ns
,
m
Fs = 720N,
vs = 103 ms
DV = 0,6vs .
Os resultados da simulao so mostrados na Figura 2.2. Note que, para o

modelo de Karnopp, quanto maior a diferena entre Fs e Fc , maior ser a descontinuidade nos extremos do regime esttico, onde |x(t)|
= DV .
15
Forc a de atrito [10 2 N]
Modelo cla ssico
Modelo de Karnopp
6
1
0.5
0.5
Velocidade [10 2 m/s]
Figura 2.2: Comportamento da fora de atrito em funo da velocidade do movimento,

reproduzido pelos modelos clssico e de Karnopp.
2.2.2
Modelos dinmicos
Modelos dinmicos, que recebem esta nomenclatura por possurem parmetros

variantes no tempo em suas estruturas, foram criados para permitir que comportamentos especficos, no capturados pelos apresentados na seo 2.2.1, pudessem
ser representados. Por exemplo, os modelos estticos quantificam a fora de atrito,
admitindo apenas movimento uniforme. Todavia, certos efeitos do atrito so verificados somente quando a velocidade no constante [4, 6]. Atravs de ensaios em que
a velocidade varia significativamente, verifica-se que o mapeamento Fext = f (x(t))
apresenta comportamento no-linear na forma de histerese [16].

Sabe-se ainda que, a rigor, a fora de atrito apresenta um comportamento
elstico quando a fora aplicada menor do que a necessria para sair de uma
situao de repouso [6]. Logo, se uma fora menor do que a necessria para vencer
o atrito aplicada, ocorre um nfimo deslocamento, e se esta fora voltar condio
inicial, o mesmo vale para a posio. Este regime, denominado pr-deslocamento
(do Ingls, pre-sliding) [75], no consegue ser reproduzido pelos modelos estticos.
Alm disso, a partir de dados experimentais, verificou-se que a fora necessria
16
para iniciar um movimento, pode ser funo da taxa de variao da fora motriz [46],
ao invs de constantes como em (2.3). Dentre as estruturas de modelos dinmicos
capazes de incorporar cada um dos comportamentos descritos anteriormente, podemse citar: Lund-Grenoble (LuGre) [16], Leuven [75], elastoplstico [27] , Maxwell Slip
[55], entre outros.
Apesar de ampliar a gama de fenmenos representveis, a classe de modelos
dinmicos necessita de sofisticados mtodos para a estimao de seus parmetros,
pois possuem variveis de estado que no so mensurveis [66], e so descritos por
estruturas mais complexas, se comparadas aos modelos estticos. Por outro lado, os
modelos baseados em mapeamentos estticos, especialmente o modelo de Karnopp,
tm apresentado resultados satisfatrios, quando utilizado para modelar [70] ou para
compensar [48] o fenmeno de atrito em vlvulas de controle.
Uma provvel justificativa para tais resultados pode ser o compromisso entre
simplicidade estrutural e capacidade de representar fenmenos proporcionados pelo
modelo de Karnopp. Ademais, num trabalho recente [31], mostrou-se atravs de
simulaes que os modelos de Karnopp e de LuGre reproduzem de forma equivalente
os comportamentos de histerese e slip-jump em uma vlvula de controle.
Tais fatos levam a crer que a estrutura do modelo de Karnopp suficiente
para representar o atrito em vlvulas de controle. Alm disso, a dificuldade de
se estimar os parmetros de modelos dinmicos a partir de dados de operao em
malha fechada, dificulta a aplicao desta classe de modelos em muitas situaes
prticas [66]. Todavia, a ttulo de sugesto, so indicadas algumas referncias onde
os modelos dinmicos so tratados com maior profundidade [4, 6, 16, 27, 35, 55].
2.2.3
Modelos empricos
Conforme dito anteriormente, ao invs de quantificar diretamente a fora de

atrito, como feito pelos modelos vistos at este momento, a classe de modelos
17
empricos visa representar a relao entrada-sada de um determinado dispositivo.

No caso das vlvulas de controle, o sinal de entrada a fora aplicada Fext (k) para
movimentar a haste e o sinal de sada a sua posio x(k). Tais modelos so uma
forma alternativa de representar comportamentos no-lineares de vlvulas sujeitas
a atrito.
A grande motivao para utilizar os modelos empricos que estes possuem
poucos parmetros, que esto diretamente relacionados com os fenmenos estudados
e, em geral, so facilmente identificveis a partir de ensaios especficos [21, 50], desde
que os sinais de entrada e sada possam ser medidos. Outra vantagem dos modelos
empricos em relao aos apresentados anteriormente, que como so descritos por
estruturas mais simples, exigem menos esforo computacional durante simulaes.
Dentre os comportamentos no-lineares encontrados em vlvulas de controle
provocados pelo atrito, o mais comum o de histerese [48]. Como as foras de atrito
se manifestam em direo oposta do movimento, toda vez que uma mudana no
sentido for necessria, a fora motriz deve exceder no apenas o atrito esttico no
novo sentido, mas tambm a fora de atrito presente anteriormente. Analogamente,
o mesmo comportamento no-linear provocado por folga nas engrenagens de sistemas
mecnicos.
Um modelo emprico para reproduzir a histerese em uma vlvula de controle
pode ser expresso atravs de:
, se Fext (k) > Fext (k 1)
Fext (k) H
e Fext (k) > x(k 1) + H
(
, se Fext (k) < Fext (k 1)
x(k) =
F
(k)
+
H
ext
e Fext (k) < x(k 1) H
x(k 1)
, caso contrrio,
(2.5)
em que Fext (k 1) e x(k 1) so, respectivamente, a fora externa e a posio da

haste no instante anterior a k e 2H denota a banda morta da histerese. Da primeira
Normalmente os modelos empricos so baseados em sinais amostrados [21, 50, 74], portanto
a dependncia de t (tempo contnuo) substituda pela de k (tempo discreto).
18
linha de (2.5), note que para a haste se movimentar no sentido ascendente, ou seja
x(k) > x(k 1), duas condies devem ser satisfeitas: (1) a fora no instante atual
deve ser maior do que no anterior e (2) a fora externa deve ultrapassar a histerese
provocada pelo atrito. O movimento descendente expresso de forma anloga na
segunda linha de (2.5). Por outro lado, se ambas as condies necessrias para haver
movimentao da haste no forem satisfeitas, ento x(k) = x(k 1).
A Figura 2.3 mostra a resposta da posio x(k) para uma excitao senoidal,
cuja amplitude varia entre 20% e 80%, quando a vlvula est sujeita histerese
reproduzida por (2.5) com H = 10%. Os segmentos AB e CD, de comprimento 2H,
0.8
0.8
0.7
0.7
Posic a o da haste [p.u.]
Forc a F e x t (k) e posic a o x(k) [p.u.]
surgem devido s reverses no sentido do movimento.
0.6
0.5
0.4
0.3
x(k)
20
40
60
80
0.6
0.8
0.6
0.5
0.4
0.3
F e x t (k)
0.2
0.2
100
0.2
Tempo [s]
0.4
Forc a aplicada [p.u.]
Figura 2.3: Entrada e sada reproduzida pelo modelo de histerese (2.5), parametrizada por
H = 10% (esquerda) e a correspondente relao x(k) = f (Fext (k)) (direita).
Outra no-linearidade presente em vlvulas de controle, principalmente nas

que utilizam gaxetas de grafite, o slip-jump. Com o intuito de modelar este comportamento, provocado pelo atrito esttico, Stenman et al. [74] propuseram a seguinte
estrutura:
x(k) =
x(k 1) , se |Fext (k) x(k 1)| 6 dsj ;

Fext (k)
, caso contrrio,
(2.6)
em que dsj representa o slip-jump. Este modelo foi empregado com xito em tcnicas
19
de deteco do atrito esttico [73, 74]. Entretanto, para fins de predio da posio
da haste em vlvulas de controle, esta estrutura pode proporcionar resultados pobres,
especialmente em situaes onde a influncia da histerese significativa.
Um modelo composto por dois parmetros (S e J), capaz de reproduzir tanto
o comportamento no-linear da histerese, quanto o slip-jump provocado pelo atrito
esttico, foi proposto recentemente [20], onde o parmetro S expressa a bandamorta da histerese e J quantifica o slip-jump, toda vez que a haste sai de uma
situao de repouso. Todavia, verificou-se atravs de simulaes, que esta proposta
inicial funciona bem apenas para uma classe restrita de sinais [31]. Kano et al. [50]
reformularam o modelo supracitado, de modo a remover a restrio quanto ao sinal
de entrada. A relao entre a fora aplicada e a posio da haste reproduzida por
0.9
0.9
0.8
0.8
Forc a F e x t (k) e posic a o x(k) [p.u.]
este modelo pode ser explicada atravs da Figura 2.4.
0.7
0.6
0.5
0.4
0.6
0.4
0.3
0.2
Posic a o da haste
0.2
40
60
Tempo [s]
80
100
J
I
K
E
C D
0.5
Forc a aplicada
20
0.7
0.3
B
A
0.4
0.6
0.8
Figura 2.4: Entrada e sada reproduzida pelo modelo emprico [50], onde S = 15% e
J = 4% (esquerda), e a correspondente relao x(k) = f (Fext (k)) (direita).
Inicialmente, a fora aplicada 50% da fora mxima e a haste est em repouso

na posio x(0) 0,45, ilustrada pelo ponto C na Figura 2.4. Decorridos 15s de
simulao, Fext (k) incrementado linearmente, porm a haste s se movimenta
quando a fora aplicada superior ao atrito esttico, no ponto D. A partir deste
ponto o atrito esttico desaparece, provocando um desequilbrio no balano de foras
20
que rege a posio da haste x(k) e ento ocorre o slip-jump at o ponto E. Portanto,
o comprimento do segmento DE corresponde a J. Este mesmo comportamento se
repete quando Fext (k) atinge 0,75 e volta ao regime esttico por 10s.
O efeito do parmetro S s notado quando h mudana de sentido. Note que
quando Fext (k) = 0,9 (indicado pelo ponto F na Figura 2.4), a fora aplicada comea
a ser reduzida e a haste se mantm parada, at que em G, onde Fext (k) = 0,75, a
diferena de foras entre os pontos F e G, Fext(F G) , ultrapassa o valor da histerese,
e a haste salta para H. Logo: F G = S. Ainda h uma nova parada (I) e outro slipjump (pontos J, K), antes da prxima mudana de sentido, quando Fext(LA) > S,
resultando no escorregamento da posio de A para B.
O comportamento no-linear proveniente da superposio da histerese e do
slip-jump no modelo emprico de dois parmetros (S e J), que a partir deste ponto
ser referenciado como modelo de Kano, descrito atravs de um fluxograma ilustrado na Figura 2.5.
Antes de mais nada, necessrio transformar a fora externa aplicada, Fext (k),
de unidade de engenharia para porcentagem, pois o modelo trabalha apenas com
valores normalizados. Alm dos parmetros S e J, o modelo possui trs variveis
internas: stp que assume os valores 0 ou 1 para indicar as situaes de movimento
ou repouso, respectivamente; us que armazena o valor de Fext (k) no exato instante
em que a haste sai de uma situao de movimento para repouso e daux = 1 que
usado para denotar o sentido da fora de atrito.
O primeiro bloco de deciso utilizado para impedir que valores esprios
de Fext (k) sejam processados, impondo 0 e 1 como limites inferior e superior de
saturao da entrada. Depois disto, calculada a variao da fora externa Fext (k),
em relao ao instante anterior. E ento, se Fext (k) mudar de sentido a partir de uma
situao de movimento, us atualizado com o valor da entrada no instante anterior
e stp passa a indicar situao de repouso, para evitar que haja uma mudana de
sentido sem passar pelo regime esttico.
21
Na sequncia, um bloco faz o teste da varivel stp e se a haste estiver em

movimento, o valor de x(k) atualizado atravs da expresso:
x(k) = Fext (k)
daux (S J)
.
2
(2.7)
Caso contrrio, ou seja, se for indicada uma situao de repouso (stp = 1), h
trs possibilidades:
1. Houve mudana no sentido de Fext (k), superior banda-morta de histerese,
fazendo com que a haste se mova em oposio ao ltimo deslocamento, ou seja,
o sinal da varivel daux invertido antes de atualizar x(k), de acordo com a
expresso (2.7);
Fext (k) [p.u.]
0 Fext (k) 1
no
Saturao (0 1)
sim
Fext (k) , Fext (k) Fext (k 1)
sim
Houve parada ou mudana

de sentido e stp = 0?
us = Fext (k 1),
e stp = 1
no
stp = 0?
sim
no
sim
daux (Fext (k) us ) > S ?
daux = daux
no
daux (Fext (k) us ) > J ?
no
Mantm a posio
anterior: x(k) = x(k 1)
sim
,
x(k) = Fext (k) daux (SJ)
2
stp = 0
x(k) [p.u.]
Figura 2.5: Fluxograma do modelo emprico de Kano com parmetros S e J [50].
22

2. A partir do repouso, a fora externa aplicada suficiente para vencer o atrito
esttico e provocar o deslocamento no mesmo sentido da ltima movimentao.
Neste caso, o novo valor da posio calculado a partir de (2.7);
3. A haste permanece imvel, logo x(k) = x(k 1).
Por fim, sempre que a posio da haste for atualizada, a varivel stp passa a indicar
movimento.
O modelo S e J considera, implicitamente, que a fora de atrito independe
da velocidade do movimento. Apesar de esta hiptese no ser verdadeira, conforme
verificado em testes prticos [4], no caso das vlvulas de controle de acionamento
pneumtico, considerar a fora de atrito constante no regime dinmico pode ser razovel, pois aparentemente, o atrito viscoso desprezvel se comparado magnitude
de outras foras presentes no balano (2.1), como a fora da mola (Fmola ) e o atrito
de Coulomb (Fc ) [70].
2.3
Mtodos para a estimao dos parmetros de

modelos de atrito
Mtodos clssicos de estimao de parmetros, baseados em regresso linear,
no podem ser diretamente aplicados identificao de modelos de atrito, pois as

estruturas apresentadas anteriormente so no-lineares nos parmetros. Portanto,
so necessrios algoritmos especficos para estimar os parmetros dos modelos de
atrito.
Altpeter [4], por exemplo, dividiu em etapas o procedimento de identificao
do modelo de LuGre. A cada etapa, o sistema em questo submetido a um sinal
de entrada que excite comportamentos especficos, de modo que o(s) parmetro(s)
correspondentes sejam estimados. Entretanto, por requerer excitaes especficas
em cada etapa, em situaes onde apenas dados de operao em malha fechada
estejam disponveis, este mtodo no aplicvel.
2.3 Mtodos para a estimao dos parmetros de modelos de atrito
23
Rizos e Fassois [68] propuseram uma formulao, a partir do modelo Maxwell

Slip [55], atravs da qual a fora aplicada a um dispositivo sujeito a atrito representada por uma regresso no-linear da posio. Com isso, se fora aplicada e
posio forem medidos, os parmetros do modelo de atrito so estimados usando
um algoritmo de duas fases. Na primeira, uma otimizao baseada em algoritmos
genticos usada para buscar, no espao de parmetros, regies de mnimos globais
ou locais. Na segunda, utiliza-se o algoritmo Simplex de Nelder-Mead [84] para
localizar o melhor modelo, dentre os obtidos no passo anterior. Alm de se tratar
de um mtodo complexo, a varincia do modelo estimado devido ao elevado nmero
de parmetros envolvidos pode ser uma desvantagem a se considerar.
Cheok et al. [18] sugeriram alteraes no algoritmo Simplex de otimizao nolinear, para acelerar a taxa de convergncia e para aumentar as chances de encontrar
o mnimo global. Este algoritmo foi usado na identificao dos parmetros de um
servomotor, onde o atrito foi parametrizado usando o modelo de Karnopp [51].
Os parmetros de modelos de atrito tambm podem ser estimados aplicando
o mtodo do balano harmnico com o auxlio de funes descritivas. Na proposta
de Besanon-Voda e Blaha [11], o sistema deve operar em malha fechada e um
bloco no-linear do tipo rel + histerese adicionado ao ramo de realimentao,
para garantir a oscilao da malha. Dois pares distintos de amplitude do rel e
histerese so ajustados para que a malha apresente ciclos-limite de mesma amplitude
e frequncia. Os valores de tais pares so ento usados, numa expresso de balano
harmnico, para calcular diretamente o coeficiente de atrito de Coulomb inerente ao
sistema. Em um trabalho recente, Kim e Chung [52] estenderam essa metodologia,
de modo a estimar os parmetros do modelo de Karnopp. Apesar de proporcionar
resultados satisfatrios, esses mtodos requerem a adio de elementos na malha de
controle, o que indesejvel ou at invivel em plantas industriais.
Uehara [78] avaliou trs tcnicas de quantificao de atrito que aproximam a
no-linearidade na vlvula por uma histerese (subseo 2.2.3). Na primeira, proposta por Kano et al. [50], a estimativa do nvel de atrito baseada na inspeo
24
visual da posio da haste e da sada do controlador (op). Na segunda tcnica, idealizada por Choudhury et al. [22], o atrito caracterizado ao ajustar uma elipse ao
grfico que expressa a varivel controlada (pv ) em funo da op. O terceiro mtodo,
desenvolvido por Hgglund [39], estima a histerese a partir da pv, do ganho esttico
do processo e dos parmetros do controlador. Embora apenas informaes disponveis na maioria das situaes prticas sejam necessrias, estes mtodos dependem
de tratamentos nos dados (filtragem e decimao) que devem ser ajustados caso a
caso.
Em outro trabalho, Ravanbod-Shirazi e Besanon-Voda [66] desenvolveram
um mtodo de identificao para um atuador pneumtico, no qual os parmetros
do modelo de atrito de Karnopp, com exceo do atrito esttico Fs , so estimados
usando uma regresso linear. Romano e Garcia [69] propuseram alteraes nesse
mtodo com a finalidade de aplic-lo em vlvulas de controle. A rigor trata-se de
duas modificaes: (1) incluso do termo relativo fora da mola, kmola x(k),
na etapa que utiliza regresso linear e (2) proposta de uma forma alternativa para
estimar Fs atravs de medidas em instantes de iminncia de movimento. Tal mtodo
descrito a seguir.
2.3.1
Identificao do modelo de Karnopp
Baseando-se no modelo de Karnopp descrito na seo 2.2.1, quando a velocidade da haste maior do que DV , o balano de foras (2.1) em instantes k dado
por:
Fext (k) = m x(k) + Fv x(k)
+ Fc sgn (x(k))
+ kmola x(k).
(2.8)
Note que (2.8) linear em relao aos parmetros m, Fv , Fc e kmola . Logo, se os

valores de x(k), x(k),
x(k) e Fext (k) forem conhecidos, ou puderem ser estimados ,
Um algoritmo simples e eficiente para o clculo numrico de derivadas pode ser encontrado em
Aguirre [1].
25
pode-se escrever o seguinte modelo de regresso linear:

Fext (k) = T (k) ,
(2.9)
em que o vetor de parmetros e o vetor de regressores (k) so dados por (2.10)

e (2.11), respectivamente:
m Fv Fc kmola
T
x(k) x(k)
sgn (x(k))
x(k)
(k) =
(2.10)
T
(2.11)
Uma forma de estimar o vetor de parmetros (2.10) minimizando o erro

quadrtico entre a fora externa medida e a estimada (2.9):
= arg min
X
k
2
Fext (k) T (k)
cuja soluo dada por [58]:

=
X
k
(k) (k)
!1
X
k
(k) Fext (k).
(2.12)
Entretanto, os perodos em que a expresso (2.8) vlida, a priori, no so

conhecidos, pois a velocidade limite DV uma incgnita do modelo. Para lidar com
este problema, define-se a varivel v(s), tal que:
v(s) =
s
max (|x(k)|)
,
Z
(2.13)
sendo: Z 1 e S < Z, para s = 1, 2, . . . , S. Em palavras, v(s) assume S valores

distintos, obrigatoriamente menores do que a maior velocidade verificada nos dados
experimentais. A escolha do par de constantes (S, Z) determina quo pequena a
diferena entre dois valores consecutivos de v(s), ou seja:
v , v(s + 1) v(s).
Para cada valor de v(s), os valores do vetor de regressores (k) e da fora
externa aplicada Fext (k) so escolhidos a partir dos dados experimentais, de modo
26
calculado atravs de (2.12).

que a condio |x(k)|
> v(s) seja satisfeita e ento

Portanto, os valores da varivel auxiliar v(s) so usados como valores candidatos a
DV .
O comportamento da estimativa do vetor de parmetros, medida que s
aumenta, pode ser caracterizado em duas fases [66]. Primeiramente, para v(s)
variam significativamente para diferentes valores de v(s), pois
DV , os valores de
dados correspondentes a instantes em que o balano de foras (2.8) no se aplica,
so usados na estimativa. Por outro lado, medida que s aumenta e v(s) DV ,
as estimativas aproximam-se dos valores reais dos parmetros e se mantm quase
constantes, mesmo quando v(s) ultrapassa o valor ideal de DV . Entretanto, devido
presena de rudo em dados experimentais, valores muito grandes de s podem
fazer com que poucos pontos sejam incorporados a (k) e a Fext (k) , resultando em
estimativas incoerentes de [70].
define-se o desvio-padro das estimativas por:
Com o propsito de validar ,
v
uX
2
u ns s
s (k)
u
(k)
F
F
ext
ext
u
t k=1
,
(s) =
ns np
(2.14)
s
s
em que Fext
(k) e Fext
(k) so, respectivamente, a fora externa medida e a sua es-
timativa calculada usando (2.9), para cada valor distinto de v(s); ns o nmero
s
(k) e np a dimenso de (np = 4, neste caso). Como o desviode pontos em Fext
s
(k), a regio onde (s) mnimo,
padro, (s), proporcional variabilidade de Fext
foi escolhido.
deve corresponder ao valor de s onde
Outra ferramenta que pode ser usada na validao do vetor de parmetros
estimados o coeficiente de correlao, R2 (s), que calculado atravs de [66]:
R2 (s) =
ns
X
k=1
ns
X
k=1
s
s
(k) F ext (k)
Fext
s
Fext
(k)
2
2
s
F ext (k)
(2.15)
27
s
sendo que F ext (k) a mdia temporal de Fext
(k). medida que a estimativa da
fora externa aproxima-se do valor experimental, o coeficiente de correlao assume

valores cada vez mais prximos de 1.
Apesar de ser possvel estimar a velocidade limite DV [66], o efeito deste
parmetro desprezvel na simulao de modelos de vlvulas de controle [51, 69].
Portanto, usualmente adota-se valores arbitrrios entre 104 e 102 m/s para este
parmetro.
Finalmente, o coeficiente referente ao atrito esttico, Fs , deve ser obtido de
modo a minimizar o erro quadrtico em relao velocidade, ou seja:
Fs = arg min
Fs
X
k
Fs , k)
x(k) x(,
2
(2.16)
sujeito a: Fc Fs max (|Fext (k) kmola x(k)|).

Fs , k) denota a posio da haste obtida atravs de simulaes do modelo
O termo x(,
de Karnopp com os parmetros previamente estimados, e com a incgnita Fs , que
limitada pelos valores do coeficiente de atrito de Coulomb Fc e da mxima fora
motriz aplicada ao diafragma da vlvula. Portanto, deve-se aplicar algum algoritmo
de otimizao no-linear, como por exemplo o Simplex de Nelder-Mead [84], para
resolver (2.16).
Para evitar que a otimizao (2.16) resulte em um mnimo local, desejvel
que se disponha de uma estimativa inicial do coeficiente de atrito esttico prxima
do valor timo. Uma forma de obter tal estimativa utilizar o balano de foras
(2.1), nos instantes kb em que a haste est prestes a se mover. Sob tais condies,
denominadas situaes de breakaway, de (2.4) segue que:
Fs sgn (Fext (kb ) kmola x(kb )) = Fext (kb ) kmola x(kb ).
(2.17)
Os instantes de iminncia de movimento kb podem ser facilmente reconhecidos

por inspeo visual dos grficos de fora externa e de posio da haste. As situaes
28
de breakaway tambm podem ser identificadas por valores elevados da acelerao

x(k).
Uma vez que o valor de kmola foi previamente estimado por (2.12), pode-se
calcular uma estimativa inicial para Fs , a partir de (2.17). Com o intuito de reduzir
eventuais erros devido impreciso na leitura de Fext (kb ) e x(kb ), conveniente
determinar o coeficiente de atrito esttico usando a mdia dos valores obtidos nos
diferentes instantes em que a haste est prestes a se mover.
Embora este procedimento seja baseado na inspeo visual do comportamento
da haste, que pode levar a estimativas imprecisas, resultados experimentais mostraram que o valor do atrito esttico dado por (2.17) bem prximo do valor calculado
por mtodos alternativos [79]. Este fato sugere que muitas vezes, a otimizao nolinear (2.16) pode ser evitada.
Como qualquer outro mtodo de identificao, este algoritmo requer que os dados sejam persistentemente excitantes, para garantir a inverso matricial em (2.12).
Alm disso, recomenda-se um sinal de excitao cuja amplitude varie dentro de uma
ampla faixa de valores [18, 66], para que informaes do comportamento no-linear
da vlvula tambm estejam presentes nos dados.
Os resultados da aplicao deste mtodo para estimar os parmetros de atrito
de uma vlvula real so mostrados na subseo 5.2.2.
2.4
Consideraes finais
Em situaes onde a posio da haste e a fora aplicada ao atuador da vlvula
sejam conhecidos (ou puderem ser estimadas), o modelo obtido atravs deste mtodo
pode ser usado no projeto de compensadores de atrito baseados em modelo ou no
diagnstico de falhas. Entretanto, quando esta hiptese no for verdadeira, surge a
necessidade de uma nova estratgia para identificao do modelo de atrito.
Existem alguns mtodos de identificao de atrito baseados nos modelos emp-
2.4 Consideraes finais
29
ricos, que so capazes de estimar a histerese [7, 39] ou o atrito esttico [73, 74] de uma
vlvula de controle, sem a informao da posio da haste ou da fora aplicada ao
atuador. O problema de tais mtodos serem baseados em modelos que contemplem
um nico parmetro.
Os mtodos de deteco [22] e quantificao [23, 45] de atrito propostos na literatura permitem que os parmetros S e J do modelo emprico de Kano, apresentado
na seo 2.2.3, sejam estimados sem a disponibilidade de x(k) ou Fext (k). Todavia,
nestes trabalhos modelos de estruturas lineares so considerados para representar a
dinmica do processo. Esta hiptese pode ser razovel se o processo operar numa
faixa restrita. Entretanto, diante de perturbaes significativas ou quando o processo apresentar comportamento altamente no-linear, estes mtodos podem ter o
desempenho deteriorado [73].
No captulo 4 proposta uma extenso para os mtodos de identificao existentes [23, 45, 73], atravs da qual possvel tanto estimar os parmetros do modelo
de atrito S e J, como identificar um modelo dinmico no-linear para o processo,
usando a estrutura Wiener de modelos de blocos interconectados.
Captulo 3
Identificao de modelos de
processos no-lineares
Nas ltimas dcadas, a identificao de sistemas usando estruturas de modelos lineares foi intensamente explorada, tanto que atualmente existem ferramentas
padronizadas e bem estabelecidas para tratar tal problema. Em muitas situaes
prticas, aproximaes por estruturas lineares em torno de uma condio de trabalho proporcionam resultados satisfatrios. Entretanto, modelos lineares no so
capazes de representar certos regimes dinmicos caractersticos de sistemas nolineares. Alm disso, a maioria dos sistemas reais so inerentemente no-lineares, o
que acaba comprometendo, de alguma forma, a eficcia dos mtodos de identificao
linear, principalmente em situaes onde o sistema em questo possua uma ampla
regio de operao.
H uma grande variedade de estruturas de modelos no-lineares, dentre as
quais podem-se citar: a srie de Volterra [13], os modelos NARMAX (do Ingls,
Nonlinear Auto Regressive Moving Average with eXogenous variables) polinomiais e
racionais [1], as estruturas baseadas em rede neurais artificiais [40] e os modelos de
blocos interconectados [14]. Uma boa reviso a respeito das estruturas disponveis
para representar sistemas no-lineares foi publicada h alguns anos por Pearson [64].
Este captulo dedicado a apresentar algumas das estruturas de modelos de
blocos interconectados para a identificao caixa-preta de sistemas no-lineares.
A partir da seo 3.2 apenas o modelo de Wiener considerado, pois este ser
31
32
Identificao de modelos de processos no-lineares
empregado na proposta de uma metodologia para a identificao de modelos de

processos sujeitos a no-linearidades, provocadas pelo atrito em vlvulas de controle.
3.1
Modelos de blocos interconectados

Em muitos casos, sistemas no-lineares podem ser representados atravs da
interconexo de blocos dinmicos lineares L e de blocos estticos no-lineares N .

Esta classe de estruturas, conhecida por modelos de blocos interconectados, tem
sido utilizada com sucesso na identificao de modelos para diversas aplicaes prticas: colunas de destilao [63], processos de neutralizao de pH [49, 41], processos
biolgicos [87], reatores de polimerizao [17], fenmenos de histerese [43], clula
combustvel [47], entre outras.
Os modelos de blocos interconectados possuem diversas vantagens em relao
a outras representaes de sistemas no-lineares: (1) so facilmente utilizados no
projeto de controladores [17, 41]; (2) a anlise da estabilidade destes modelos pode
ser feita atravs do bloco dinmico linear [24]; (3) a forma direta como o conhecimento prvio do sistema pode ser incorporado; (4) utilizam algoritmos de estimao
simples, que demandam pouco esforo computacional.
De acordo com a forma como os bloco(s) esttico(s) e dinmico(s) so combinados, surgem diferentes estruturas de modelos. A mais comum a de Hammerstein,
em que uma funo esttica no-linear precede um bloco dinmico linear, N L,
conforme ilustrado na Figura 3.1, onde u(k), w(k), v(k) e y(k) representam os sinais de entrada, intermedirio entre N e L, das perturbaes e da sada do modelo,
respectivamente.
Como a no-linearidade atua somente sobre o sinal de entrada u(k), a dinmica
dos modelos de Hammerstein no depende do ponto de operao [24]. Por outro
lado, o mapeamento entre valores estacionrios da entrada u e da sada y do modelo
pode ser no-linear. Portanto, tais modelos podem exibir multiplicidade de entrada,
3.1 Modelos de blocos interconectados
33
v(k)
u(k)
/ N
w(k) /
L
+
+/GFED
@ABC
/ y(k)
Figura 3.1: Diagrama de blocos de um modelo de Hammerstein.
ou seja, para um dado y pode haver mais de um u, desde que a funo do bloco N
no seja invertvel [65].
Outra forma muito usada para representar sistemas no-lineares, usando a
conexo dos blocos L e N , ligando a sada de um bloco dinmico linear a um
bloco no-linear (L N ). Esta estrutura, cujo diagrama de blocos est ilustrado na
Figura 3.2, conhecida como modelo de Wiener. Note que o termo de perturbaes
v(k) adicionado na sada do bloco L. Com isso, as perturbaes tambm esto
sujeitas curva de ganho do processo, portanto, quanto maior o ganho, maior ser a
sensibilidade de y(k) a eventuais distrbios. Apesar de no modelar adequadamente
o rudo de medio, esta suposio mais coerente, do ponto de vista de processos
industriais, pois a influncia das pertubaes, normalmente, mais significativa do
que a proporcionada por rudos de medio [89].
Aguirre et al. [3] mostraram que os autovalores do modelo de Wiener linearizado em torno de um ponto de operao (u, y) dependem explicitamente dos
valores estacionrios da entrada e da sada. Logo, diferentemente dos modelos de
Hammerstein, a dinmica desses depende do ponto de operao. Ademais, o ganho
em estado estacionrio dos modelos de Wiener, tambm varia com o par (u, y).
Ao combinar os modelos de Hammerstein e de Wiener, ou seja, se o bloco
dinmico for envolvido por dois blocos estticos no-lineares (N1 L N2 ),
v(k)
u(k)
/ L
+ w(k)
+/GFED
@ABC
/ N
/ y(k)
Figura 3.2: Estrutura do modelo de Wiener.
34
obtm-se a estrutura chamada Hammerstein-Wiener [90], ilustrada na Figura 3.3(a).

Apesar de no ter recebido a mesma ateno que receberam os modelos compostos
pela combinao de dois blocos, do ponto de vista prtico, uma boa motivao para
usar esta representao que N1 poderia reproduzir o comportamento no-linear
de um dispositivo atuador, enquanto o bloco N2 seria usado para incorporar as
no-linearidades do processo.
v(k)
u(k)
/ N
1
+
+/GFED
@ABC
/ L
/ N
2
/ y(k)
(a)
v(k)
u(k)
+/GFED
@ABC
O
+
/ L
+
+/GFED
@ABC
/ y(k)
N o
(b)
Figura 3.3: Modelos de Hammerstein-Wiener (a) e de Lure (b).
H ainda outros modelos de blocos interconectados, como por exemplo, o

modelo Wiener-Hammerstein [14], no qual um bloco esttico no-linear envolto
por dois dinmicos lineares (L1 N L2 ); e o modelo de Lure [64], em que uma
funo esttica no-linear includa num ramo de realimentao, ao redor de um
bloco dinmico linear, como mostrado na Figura 3.3(b).
Como ser visto mais adiante, na metodologia de identificao do conjunto
atrito + processo, o atrito proveniente da vlvula de controle modelado por uma das
estruturas apresentadas no captulo 2. Portanto, a finalidade da estrutura de blocos
A estrutura do modelo de Lure capaz de exibir multiplicidade de sada, ou seja, um valor
fixo da entrada u poder proporcionar mais de um valor estacionrio na sada y, desde que a funo
esttica no-linear no ramo de realimentao no seja invertvel [65].
3.2 Identificao de modelos de Wiener
35
interconectados de representar apenas o modelo do processo, ou seja, estimar os

parmetros de um modelo dinmico no-linear caixa-preta, que relacione a varivel
manipulada com a sada do processo. O modelo de Wiener (Figura 3.2) considerado
para esse propsito, por apresentar algumas vantagens, quando comparado a outras
estruturas de blocos interconectados:
capaz de incorporar o comportamento no-linear em que as caractersticas
dinmicas do modelo variem com o ponto de operao;
Em relao aos modelos de Hammerstein-Wiener e de Lure, apresenta uma
estrutura que demanda algoritmos mais simples e eficientes para a estimao
de parmetros;
O conjunto atrito + processo, que ser tratado no captulo 4, pode ser visto
como um modelo Hammerstein-Wiener (Figura 3.3(a)).
3.2
Identificao de modelos de Wiener

Um dos primeiros trabalhos de que se tem cincia a respeito da identificao de
modelos de Wiener foi realizado por Billings e Fakhouri [14]. Este mtodo resulta em
modelos no-paramtricos por meio da anlise de funes de correlao, no sendo
apropriado para aplicaes prticas, pois requer sinais especficos de excitao (rudo
branco). Alm disso, a varincia das estimativas costuma ser elevada.
A maior dificuldade que surge ao estimar os parmetros de modelos de blocos
interconectados que os sinais intermedirios no so conhecidos [24]. No caso do
modelo de Wiener, este sinal a sada do bloco dinmico linear, w(k), conforme
a Figura 3.2. No algoritmo desenvolvido por Pearson e Pottmann [65], admite-se
que a curva esttica do sistema y = f (u) seja conhecida a priori. Deste modo, os
parmetros do bloco dinmico so estimados impondo restries ao mtodo clssico
usado em modelos ARX (do Ingls, Auto Regressive with eXogenous variables).
36

Entretanto, a caracterstica esttica de um sistema muitas vezes no conhe-
cida, ou ento, no vivel realizar ensaios para coletar dados em estado estacionrio
ao longo de toda a faixa de interesse. Para lidar com tais fatos, Coelho [24] props
duas formas para obter a curva esttica a partir de dados dinmicos: (1) um modelo
NARMAX identificado e a funo y = f (u) determinada usando conceitos de
agrupamentos de termos e de pontos fixos de modelos no-lineares [1]; (2) a caracterstica esttica estimada diretamente por um algoritmo iterativo, baseado na
anlise do coeficiente de agrupamento de termos.
Mtodos iterativos tambm podem ser usados na identificao do modelo
L N . Neste caso, numa primeira iterao, admite-se que exista e sejam conhecidos os parmetros do mapeamento w(k) = g (y(k)). Logo, o sinal w(k)
calculado e o bloco L estimado. Em seguida, a partir desta estimativa e do sinal
de entrada u(k), determina-se o sinal intermedirio, que usado para identificar
os parmetros do bloco esttico no-linear. Este procedimento repetido at que
no haja variao significativa nos parmetros. Apesar de proporcionar resultados
satisfatrios [82, 89], ainda no se demonstrou a convergncia dos algoritmos que
utilizam esta metodologia.
Westwick e Verhaegen [85] estenderam o algoritmo MOESP (do Ingls, Multivariable Output-Error State sPace), pertencente ao esquema de identificao por
subespaos, para estimar os parmetros do modelo de Wiener. Apesar de noiterativo e eficiente em termos de esforo computacional, Forssell [30] mostrou que o
mtodo de subespaos no consistente quando aplicado identificao de modelos
com dados de malha fechada.
Para evitar os problemas de mnimos locais e de convergncia dos algoritmos
iterativos, Kalafatis et al. [49] parametrizaram o bloco dinmico linear atravs de um
filtro para amostragem de freqncia ou FSF (do Ingls, Frequency Sampling Filter ),
de modo que os parmetros pudessem ser determinados analiticamente, desde que
o sistema no esteja sujeito a perturbaes (introduzidas na sada do bloco linear)
ou rudos de medio.
37
Estruturas de modelos mais complexas exigem mtodos iterativos para a estimao de parmetros, portanto, h o risco de se obter um mnimo local. Por outro
lado, ao adotar uma estrutura menos flexvel, que requeira uma quantidade maior
de parmetros, pode-se obter um estimador linear e, consequentemente, reduzir (ou
at eliminar) o problema de mnimos locais, sob pena de aumentar a varincia da
estimativa .
Hagenblad [36] props uma metodologia de mltiplas etapas para lidar com
estas questes. Primeiramente, o bloco dinmico foi parametrizado por um modelo
de resposta impulsiva finita, ou simplesmente FIR (do Ingls, Finite Impulse Response), de ordem elevada, de modo que uma estimativa inicial fosse obtida a partir
de uma regresso linear. Em seguida, esta estimativa reduzida para uma estrutura
de funo de transferncia racional. Tjrnstrm [76] mostrou que a varincia da estimativa usando esta estratgia de dois passos menor ou igual que seria obtida por
um procedimento direto. Por fim, utiliza-se o mtodo de Gauss-Newton [58] para
obter numericamente os parmetros do modelo de Wiener, a partir da estimativa
obtida na etapa anterior.
A seguir descrito um procedimento para a estimao de parmetros de modelos de Wiener a partir de dados de operao em malha fechada, sujeitos a perturbaes no-lineares (Figura 3.2).
3.2.1
Enunciado do problema
No diagrama da Figura 3.4, G(q, ) e H(q, ) so blocos dinmicos lineares e

invariantes no tempo, parametrizados por e q denota o operador de deslocamento,
tal que:
q 2 u(k) = u(k 2).
A varincia das estimativas proporcional quantidade de parmetros e intensidade de
perturbaes no processo [88].
38
A funo esttica no-linear, cuja parametrizao feita atravs do vetor , representada por f (, ) e K(q) um controlador linear. Os sinais r(k), u(k), y(k),
v(k) e e(k) denotam, respectivamente, o valor de referncia, a entrada, a sada, as
perturbaes do processo e um rudo branco de mdia nula e varincia e2 . Portanto,
trata-se de um processo modelado por uma estrutura de Wiener operando em malha
fechada.
Neste trabalho pretende-se estudar uma forma de identificar os parmetros do
modelo de Wiener empregando um mtodo de identificao direta, ou seja, apenas
os dados de entrada e sada do processo so usados para estimar e .
e(k)
r(k)
+/GFED
@ABC
/ K(q)
/ H(q, )
v(k)
+ w(k)
u(k) /
+/GFED
@ABC
/ f (, )
G(q, )
|
{z
}
/ y(k)
modelo de Wiener
Figura 3.4: Esquema para identificao em malha fechada.
Primeiramente necessrio escolher um critrio atravs do qual e sero

estimados. Em uma abordagem muito comum na literatura [8, 49, 85, 86], as perturbaes do processo v(k) so desconsideradas, de modo que o preditor de y(k) seja
dado por:
y (k|, ) = f (G(q, )u(k), ) .
(3.1)
Deste modo, e so calculados atravs de:

X
= arg min
,
(y(k) f (G(q, )u(k), ))2 .
,
(3.2)
Apesar de este critrio ser adotado at mesmo em pacotes comerciais [61, 62],
Hagenblad et al. [38] mostraram que o estimador (3.2) polarizado caso haja dependncia entre u(k) e v(k). Portanto, no seria conveniente utilizar esta abordagem
no presente contexto, pois, devido ao efeito da realimentao (Figura 3.4), sempre
haver tal correlao em alguma intensidade.
39
Caso a funo esttica f (, ) seja invertvel, pode-se adotar o seguinte critrio:

V (, ) =
(3.3)
2 (k, , )
em que (k, , ) dado por:

(k, , ) = H 1 (q, ) f 1 (y(k), ) G(q, )u(k)
= H 1 (q, ) (w(k, ) G(q, )u(k)) .
(3.4)
Note que o mapeamento de y(k) em w(k), expresso por w(k) = f 1 (y(k), ),

parametrizado atravs do vetor .
Em alguns trabalhos que tratam da identificao de modelos de blocos interconectados [19, 90, 91] argumenta-se que, ao minimizar o critrio (3.3), possvel
calcular estimativas consistentes para o cenrio representado na Figura 3.4. Alm
disso, minimizar V (, ) equivalente a obter os parmetros que maximizem a funo de mxima verossimilhana de y(k) [38].
Outra forma de interpretar o critrio (3.3) considerar que V (, ) quantifica
o erro de predio do sinal intermedirio w(k). Basta verificar que:
(k, , ) = f 1 (y(k), ) w(k|,
)
= w(k, ) w(k|,
),
(3.5)
em que o preditor de um passo frente do sinal intermedirio dado por [58]:

w(k|,
) = H 1 (q, )G(q, )u(k) + 1 H 1 (q, ) f 1 (y(k), ) .
(3.6)
Uma vez escolhido o critrio a ser usado para estimar os parmetros do modelo
de Wiener, a seguir so parametrizados os blocos G(q, ), H(q, ), f (w(k), ) e o
mapeamento f 1 (y(k), ).
Expresso usada para calcular w(k, ) a partir dos dados observados at o instante k 1.
40
3.2.2
Parametrizao dos blocos L e N
Em muitos casos, a funo esttica no-linear aproximada por polinmios

[24, 82]. Todavia, sabe-se que os polinmios de ordem elevada podem apresentar
comportamento oscilatrio e tornar a estimao de parmetros mal-condicionada,
alm de apresentar resultados insatisfatrios ao extrapolar certos trechos de dados
[89]. Para evitar estes problemas, muitas vezes [36, 81] utilizam-se funes lineares
por partes.
Os problemas apresentados por polinmios no ocorrem com as transformaes lineares por partes, no entanto, existe a desvantagem de a derivada destas
funes no ser contnua na transio entre trechos adjacentes. Alm disso, pode
ser necessrio um elevado nmero de parmetros para aproximar determinadas funes. Uma alternativa interessante modelar o bloco no-linear com splines cbicas,
que so polinmios de terceira ordem seccionados por trechos, contidos no intervalo
[wmin ; wmax ] e definidos pelos pontos {w1 , . . . , wm }, tal que:
wmin = w1 < w2 < . . . < wm1 < wm = wmax .
(3.7)
Para qualquer w [wmin ; wmax ], uma spline cbica, cujos trechos sejam especificados por (3.7), pode ser representada atravs de [56]:
y(k) = f (w(k), ) =
m1
X
i=2
fi |w(k) wi |3 + fm + fm+1 w(k),
(3.8)
em que m o grau da spline cbica e f2 , . . . , fm+1 so nmeros reais que a definem.

Portanto, uma spline de grau m constituda de m parmetros, desde que os pontos
{w1 , . . . , wm } sejam conhecidos a priori. A escolha destes pontos discutida na
subseo 3.2.6. Vale ressaltar ainda que as derivadas de primeira e segunda ordem
da funo descrita em (3.8) so contnuas [56].
Neste trabalho, admite-se que o mapeamento no-linear y(k) = f (w(k), )
monotnico e invertvel, ou seja, existe uma funo w(k) = g (y(k), ). Logo,
41
vlido representar o sinal intermedirio em funo da sada do processo:

w(k) = g (y(k), ) =
m1
X
i=2
gi |y(k) yi |3 + gm + gm+1 y(k),
(3.9)
em que os valores de yi (para i = 1, . . . , m) satisfazem a condio:

ymin = y1 < . . . < yi < . . . < ym = ymax .
A no ser que haja algum conhecimento prvio acerca do mapeamento (3.9),
uma escolha razovel admitir ymin e ymax como os valores mnimo e mximo contidos
nos dados experimentais, e os demais valores de yi distribudos uniformemente no
intervalo [ymin ; ymax ].
A parte dinmica do modelo de Wiener representado por uma estrutura
ARMAX (do Ingls, Auto Regressive Moving Average with eXogenous variables). A
principal motivao para esta escolha o fato de a estrutura ARMAX ser a forma
mais simples de parametrizar os modelos do processo e das perturbaes de forma
independente. Logo, G(q, ) e H(q, ) em (3.4) so dados por:
b1 q 1 + . . . + bl q l
B(q)
=
1
l
1 + a1 q + . . . + al q
A(q)
1
nc
C(q)
1 + c 1 q + . . . + c nc q
=
.
H(q, ) =
1
l
1 + a1 q + . . . + al q
A(q)
G(q, ) =
(3.10)
(3.11)
Portanto, de acordo com as parametrizaes (3.8)-(3.11) segue que:

= (b1 , . . . , bl , a1 , . . . , al , c1 , . . . , cnc )T
(3.12)
= (f2 , . . . , fm+1 )T
(3.13)
= (g2 , . . . , gm+1 )T .
(3.14)
Ao substituir (3.10) e (3.11) em (3.4) resulta:

A(q)
B(q)
(k, , ) =
g (y(k), )
u(k)
C(q)
A(q)
1
=
(A(q)g (y(k), ) B(q)u(k)) .
C(q)
(3.15)
42

Para a estrutura adotada, o erro de predio (k, , ) no-linear em relao
aos parmetros e . Logo, o critrio (3.3) deve ser minimizado numericamente.

Todavia, V (, ) pode apresentar diversos mnimos locais [89] e o algoritmo de otimizao numrica no necessariamente converge para o mnimo global. H, basicamente, duas formas de lidar com este problema: (1) efetuar a busca a partir de
diversas condies iniciais; ou (2) obter uma estimativa inicial que esteja na regio
de atrao do mnimo global.
A primeira abordagem demandaria elevado esforo computacional. Por outro
lado, alguns autores [37, 49] mostraram que possvel calcular uma estimativa inicial
do modelo de Wiener, de forma no-iterativa. Como mostrado na subseo 3.2.3,
ao aproximar G(q, ) por uma estrutura FIR, estimativas do bloco dinmico linear e
do mapeamento entre a sada y(k) e o sinal intermedirio w(k) so obtidas a partir
da soluo de um problema de programao quadrtica.
Em seguida, o modelo FIR reduzido para a estrutura definida em (3.10).
Esta etapa, assim como uma forma de determinar a ordem l do modelo so tratadas
na subseo 3.2.4. O mtodo empregado para minimizar numericamente V (, )
discutido na subseo 3.2.5. Por fim, uma forma de calcular (3.13), que parametrize
o bloco N , apresentada na subseo 3.2.6.
3.2.3
Estimativa inicial de G(q) e f 1 ()
Para obter uma estimativa inicial dos parmetros, consideram-se as seguintes

suposies, referentes ao modelo de Wiener:
1. O bloco com dinmica linear G(q, ) estvel em malha aberta;
2. As perturbaes no processo so dominantes em relao a eventuais rudos de
medio, de modo que os mesmos possam ser desprezados. Em outras palavras,
a estrutura do modelo de Wiener apresentada na Figura 3.2 apropriada para
representar o sistema em questo.
43
De acordo com a primeira suposio, aproxima-se o bloco dinmico linear por

um modelo FIR, de ordem suficientemente elevada para incorporar a dinmica do
sistema. Logo, o sinal intermedirio w(k), ilustrado na Figura 3.4, dado por:
w(k) = 1 u(k 1) + . . . + n u(k n) + v(k)
n
X
=
i u(k i) + v(k).
(3.16)
i=1
Ao substituir w(k) de (3.9) em (3.16) e isolando o termo v(k), referente s

perturbaes, resulta:
v(k) =
m1
X
i=2
gi |y(k) yi | + gm + gm+1 y(k)
n
X
i=1
i u(k i).
(3.17)
Sejam os vetores de regressores (k) e de parmetros :

(k) ,
|y(k) y2 |3 , . . . , |y(k) ym1 |3 , 1, y(k),

T
u(k 1), . . . , u(k n)
, (g2 , . . . , gm1 , gm , gm+1 , 1 , . . . , n )T .
(3.18)
(3.19)
De (3.18) e (3.19), pode-se reescrever (3.17):

(3.20)
v(k) = T (k) .
Uma forma de estimar minimizando a norma 2 de v(k), que representa a diferena entre a sada do modelo FIR e de w(k) dado por (3.9). Portanto, para uma
sequncia de N pontos:
= arg min
N
X
k=n+1
T (k)
2
(3.21)
Deve-se ressaltar que o estimador (3.21) polarizado, caso v(k) no seja rudo branco
[34, 36]. Entretanto, apesar de v(k) raramente aproxima-se de rudo branco, pois
usado para representar distrbios do processo, tal polarizao pode ser desprezada
desde que o vetor gere estimativas iniciais de G(q) e f 1 () que estejam na regio
de atrao do mnimo global da funo objetivo (3.3).
44

Antes de resolver (3.21), um aspecto comum na identificao de modelos de
blocos interconectados deve ser considerado: como no se conhece w(k), o ganho

estacionrio entre u e y pode ser distribudo arbitrariamente entre os blocos da associao (neste caso, L e N ). Portanto, a no ser que alguma restrio seja imposta,
o problema de estimao admite infinitas solues.
A forma mais comum de evitar esse problema impor o valor de um dos
elementos de , definido em (3.19). Por exemplo, assim como em outros trabalhos
[49, 82, 91], admite-se gm+1 = 1. Esta abordagem possui a vantagem de ser facilmente implementada, pois, depois de reformular (3.21) devido restrio em gm+1 ,
a estimao dos parmetros torna-se um problema de mnimos quadrados lineares.
Outra maneira de garantir a unicidade da representao atravs da imposio
do ganho estacionrio do modelo FIR. Tal restrio expressa atravs de:
=
n
X
i=1

i = |0 .{z
. . 0} |1 .{z
. . 1} = R .
m
(3.22)
Como (3.22) linear em relao aos parmetros, o vetor que resolve o problema
(3.21), sujeito a (3.22), dado por :
1 T T
1 1
,
= T
R R T
R
(3.23)
em que a matriz de regressores definida por:

, ((n + 1) . . . (N ))T .
Apesar de (3.23) envolver mais clculos do que um problema tpico de mnimos
quadrados sem restrio, Hagenblad [36] verificou que os tempos de computao para
atravs de qualquer uma das abordagens citadas, so da mesma ordem de
obter ,
grandeza. Tambm h uma motivao natural para impor (3.22): como o propsito
do bloco L incorporar as caractersticas dinmicas, assim como o comportamento
estacionrio deve ser representado por (3.9), conveniente admitir = 1.
A expresso (3.23) derivada no apndice A usando o mtodo de multiplicadores de Lagrange.
45
Outro detalhe relacionado estimativa inicial dos parmetros a montagem da

matriz . Esta questo envolve a escolha da ordem do modelo FIR, n, e do grau m
do polinmio seccionado que parametriza o mapeamento w(k) = g(y(k), ). Quanto
maior o valor de n, melhor ser a aproximao da dinmica do sistema. Entretanto,
esta escolha requer que mais dados estejam disponveis para que uma estimativa
razovel seja obtida. Desde que o intervalo de amostragem tenha sido escolhido
apropriadamente , valores de n entre 30 e 50 proporcionam bons resultados prticos
[36, 89].
A seleo do grau m da funo w(k) = g(y(k), ) pode ser realizada de modo
a minimizar o seguinte critrio [89]:
N
N + p X
2
(w (k) w
(k)) ,
Voe =
N p k=n+1
(3.24)
em que p a quantidade de parmetros, enquanto w

(k) e w (k) so as estimativas do sinal intermedirio, calculadas a partir de g (y(k), ) e do modelo FIR,
respectivamente. Logo, pode-se reescrever (3.24) como:
N
n
X
N + (n + m) X
i q i u(k)
g (y(k), )
Voe (m) =
N (n + m) k=n+1
i=1
N
2
N + (n + m) X T
(k) .
N (n + m) k=n+1
|
{z
}
!2
(3.25)
O termo identificado por em (3.25) tem a funo de penalizar modelos sobreparametrizados, ao passo que o restante da expresso leva em conta o ajuste do
modelo aos dados. A eficcia deste critrio foi comparada com abordagens baseadas no erro de predio, como o FPE (do Ingls, Final Prediction Error ) [88, 89] e
mostrou-se mais robusto em situaes prticas.
Uma vez obtida uma aproximao do bloco dinmico linear atravs de uma
estrutura FIR, o prximo passo rumo identificao do modelo de Wiener transformar esta estimativa inicial em uma estrutura de funo de transferncia racional,
Em Aguirre [2] descrito um mtodo prtico, baseado em funes de correlao, para deter-
minar o intervalo de amostragem de sinais.
46
conforme a parametrizao definida em (3.10) e (3.11). Este procedimento, assim

como uma forma de obter a ordem l do modelo reduzido, so apresentados na prxima subseo.
3.2.4
Reduo do modelo
O problema de reduo de modelo consiste em, a partir de um modelo de

ordem n representado por Gn (q), obter uma descrio Gl (q), de ordem l, que minimize a diferena Gn (q) Gl (q), de acordo com um determinado critrio [76, 83].
No presente contexto, pode-se usar o modelo FIR e gerar uma estimativa do sinal
intermedirio w
(k) para uma dada entrada u(k). Portanto, de acordo com (3.10)
a (3.12), o modelo FIR transformado em uma estrutura ARMAX resolvendo o
seguinte problema:
= arg min
N
X
k=l+1
2
1
(A(q, )w (k) B(q, )u(k)) .

C(q, )
(3.26)
Note que o argumento quadrtico idntico a (k) em (3.15), a no ser por w (k),
ao invs de f 1 (y(k), ). Embora a resoluo de (3.26) envolva uma regresso nolinear, este problema pode ser facilmente resolvido usando o estimador estendido de
mnimos quadrados [1].
Com relao escolha da ordem l do modelo reduzido, pode-se empregar um
critrio semelhante ao usado na determinao de m:
Voe (l, nc )
2
N
N + (2l + nc + m) X
B(q, )
w
(k)
u(k) .
N (2l + nc + m) k=l+1
A(q, )
(3.27)
Assim como em (3.25), este critrio leva em considerao tanto o ajuste do modelo
aos dados, como o aspecto de sobreparametrizao. Como a ordem de C(q) tambm
no conhecida, na prtica, nc pode ser escolhido por tentativa-e-erro, admitindo
valores de forma crescente e verificando o comportamento de (3.27).
3.2.5
47
Otimizao numrica
Conforme dito anteriormente (subseo 3.2.2), a estimao de parmetros do

modelo de Wiener, para a estrutura adotada, um problema de mnimos quadrados
no-linear.
Os mtodos de busca iterativa baseados na informao do gradiente da funo
objetivo V (, ), de forma geral, so expressos por [58]:
(i+1) (i)
(i)
(i) 1
V ((i) , (i) ),
R
=
(3.28)
em que ()(i) denota o valor de () na i-sima iterao, R(i) uma matriz que determina a direo de busca, (i) uma constante positiva usada para garantir que:
V ((i+1) , (i+1) ) < V ((i) , (i) )
e V ((i) , (i) ) o gradiente da funo objetivo em relao aos parmetros.
A escolha mais simples para R(i) admiti-la uma matriz identidade. Com isso,
(3.28) torna-se o mtodo de descida mais ngreme (do Ingls, steepest-descent). No
entanto, este mtodo pouco eficiente prximo de uma regio de mnimo [36, 58].
Para situaes como esta, o mtodo de Gauss-Newton, no qual:
R(i) =
X
k
(k, (i) , (i) )T (k, (i) , (i) )
(3.29)
bem mais apropriado [89]. Vale ressaltar que como V (, ) quadrtica, ento:
V ((i) , (i) ) = 2
X
k
(k, (i) , (i) ) (k, (i) , (i) ).
(3.30)
Portanto, a despeito da constante , a busca (3.28) depende apenas dos resduos do

modelo (k, , ) e de suas primeiras derivadas em relao aos parmetros, (k, , ).
Tipicamente, o mtodo de Gauss-Newton converge mais rpido do que o de descida
mais ngreme, com a vantagem (em relao ao mtodo de Newton) de no requerer
o clculo da Hessiana de V (, ) (segunda derivada da funo objetivo).
Na implementao do algoritmo de otimizao, o gradiente (k, , ) foi calculado numericamente, atravs de aproximaes por diferenas.
48
3.2.6
Estimao do bloco esttico no-linear
Uma vez determinados os parmetros (g2 , . . . , gm+1 ), w(k) pode ser obtido
diretamente a partir de (3.9). Logo, o vetor que parametriza o bloco esttico
no-linear pode ser obtido da soluo de um problema de mnimos quadrados linear:
N
2
1 X
y(k) T (k) ,
= arg min
N k=1
(3.31)
sendo que:

T
3
3
(k) , |w
(k) w2 | , . . . , |w
(k) wm1 | , 1, w
(k) .
Os valores dos pontos {w1 , . . . , wm } podem ser selecionados de duas formas:
(1) como, neste momento, o mapeamento w(k) = f 1 (y(k), ) conhecido, os trechos da spline podem ser determinados por inspeo visual, de modo que mais pontos
sejam alocados onde haja variaes bruscas; ou (2) assim como na parametrizao
da funo inversa w(k) = f 1 (y(k), ), os valores de wi , para i = 1, . . . , m, podem
ser distribudos uniformemente na faixa dos valores de w(k).
Na presente formulao, adotou-se o mesmo grau em ambas as splines, (3.8) e
(3.9); entretanto, os mesmos procedimentos apresentados anteriormente so aplicveis, quando uma quantidade distinta de trechos for usada nas parametrizaes de
y(k) = f (w(k), ) e de w(k) = g (y(k), ).
3.3
Comentrios finais
O fluxograma da Figura 3.5 ilustra as etapas envolvidas no procedimento para
a estimao dos parmetros de um modelo de Wiener. Note que para obter o grau m
do polinmio seccionado, que representa a funo w = g(y(k), ), todos os valores
do intervalo [3; mmax ] so testados e, em seguida, o valor que minimiza o critrio
(3.25) selecionado, assim como o correspondente valor do vetor de parmetros .
3.3 Comentrios finais
49
De forma anloga, o intervalo [1; lmax ] e a expresso (3.27) so considerados na

escolha da ordem do modelo reduzido l. Na grande maioria dos casos, mmax = 6 8
e lmax 5 so mais que suficientes.
Na subseo (3.2.3) admitiu-se que o sistema a ser identificado seja estvel
em malha aberta. A grande maioria dos processos industriais apresenta esta caracterstica. No entanto, em situaes em que esta suposio no seja vlida, outra
formulao deve ser usada para estimar os parmetros do modelo de Wiener, dentre
Incio
Inicializar o grau da
spline cbica: m = 3
Calcular a estimativa
inicial (subseo 3.2.3)
no
m = mmax ?
m=m+1
sim
Selecionar o vetor e m para
os quais Voe (m) mnimo
Inicializar a ordem do
modelo reduzido: l = 1
Reduzir o modelo FIR para uma funo
de transferncia racional (subseo 3.2.4)
l = lmax ?
no
l =l+1
sim
(l, n )
Selecionar l e que minimizem Voe

c
Efetuar a busca iterativa pelos parmetros do modelo
de Wiener que minimizem (k, , ) (subseo 3.2.5)
Estimar (subseo 3.2.6)
Fim
Figura 3.5: Fluxograma do procedimento para a estimao do modelo de Wiener.
50
as quais pode-se citar a empregada em Vrs [82] ou em Zhu [89].

Tambm foi suposto que a funo esttica no-linear fosse invertvel, de modo
que o sinal intermedirio w(k) pudesse ser obtido a partir da sada y(k). Esta hiptese verificada em muitas situaes prticas, dentre as quais pode-se citar: processos
de neutralizao de pH [41, 49], reatores qumicos [17] e colunas de destilao [91].
No entanto, tal suposio faz com que o modelo de Wiener no apresente multiplicidade de entrada [65].
Captulo 4
Identificao dos parmetros do
conjunto atrito + processo
Conforme dito anteriormente, o atrito em vlvulas um dos principais responsveis por causar oscilaes nas malhas de controle. Outro fator que compromete
o desempenho dos processos industriais a sintonia inadequada de controladores.
Neste captulo, proposta uma metodologia para que seja possvel, a partir de dados obtidos em malha fechada, quantificar o atrito em vlvulas de controle e obter
modelos de processos, que possam ser empregados na re-sintonia de controladores.
4.1
Descrio do problema
No captulo 2 foi descrito um mtodo para a estimao dos parmetros do
modelo de atrito de Karnopp, supondo que a posio da haste da vlvula fosse

conhecida. Em vlvulas modernas, equipadas com atuadores inteligentes, esta
suposio correta. Entretanto, o percentual de vlvulas deste tipo encontrado na
prtica bem pequeno [23]; em especial se consideradas apenas as mais antigas, que
potencialmente apresentam atrito elevado.
Por outro lado, o sinal enviado vlvula registrado, na grande maioria dos
casos. Alm disso, a tarefa de quantificar o atrito em vlvulas deve ser conduzida da
forma menos intrusiva possvel. Para lidar com estes aspectos, o mtodo proposto
a seguir visa quantificar o atrito em vlvulas de controle, a partir de um conjunto
51
52
Identificao dos parmetros do conjunto atrito + processo
de dados compostos apenas pela sada do controlador op e pela varivel controlada

pv, medidos com o sistema operando em malha fechada. A ideia de uma malha de
controle sujeita a atrito ilustrada na Figura 4.1.
Excitao
externa
Perturbaes

+/GFED
Referncia +GFED
@ABC
/@ABC
/ Controlador
_ _ _ _ _ _ _ _ _ _ _ _

/ Processo
/ Atrito

_ _ _ _ _ _ _ _ _ _ _ _
op
/ pv
Figura 4.1: Malha de controle diante da presena de atrito.
Como dito anteriormente, interferncias externas so indesejveis, no entanto,

note que uma excitao externa somada ao ao valor de referncia (Figura 4.1).
Este sinal, cujo projeto discutido na seo 4.2, responsvel por assegurar a identificabilidade dos parmetros.
Srinivasan et al. [73] trataram do problema de identificar o conjunto atrito
+ processo, representando o atrito com o modelo de Stenman et al. [74], composto
por um nico parmetro e o processo atravs de uma estrutura ARMAX [1, 58].
Entretanto, foi verificado por Garcia [31] que a estrutura no-linear adotada naquele trabalho no capaz de capturar corretamente o comportamento do atrito em
vlvulas de controle.
Recentemente verificou-se que, no contexto de vlvulas de controle, a contribuio do coeficiente de atrito viscoso linear Fv no modelo de Karnopp (subseo
2.2.1) desprezvel em situaes prticas [70]. De acordo com Uehara et al. [79],
nestes casos os modelos de Karnopp e de Kano [50] so equivalentes. Portanto,
optou-se por utilizar a estrutura do modelo de Kano para representar o atrito de
uma vlvula instalada em uma malha de controle. Tal escolha justificada pelo
fato deste modelo, descrito na subseo 2.2.3, possuir uma estrutura mais simples,
composta por apenas dois parmetros (S, J).
Outra contribuio deste trabalho a de empregar uma estrutura no-linear
4.1 Descrio do problema
53
para representar a dinmica do processo. Esta escolha visa proporcionar algumas

vantagens relevantes:
Impedir que no-linearidades do processo sejam equivocadamente incorporadas no modelo de atrito;
Minimizar problemas de polarizao na estimativa da dinmica do processo;
Tornar o mtodo de identificao apropriado para situaes em que os dados
sejam obtidos com a malha operando em uma faixa ampla;
Obter uma aproximao do comportamento esttico do processo que pode,
eventualmente, ser usado no projeto de um controlador no-linear.
Todavia, a adoo de uma estrutura mais complexa apresenta algumas desvantagens, que no podem ser desprezadas: (1) requer ensaios de maior durao,
uma vez que a quantidade de informao a ser obtida dos dados tambm maior; e
(2) necessidade de algoritmos mais sofisticados.
A partir da malha de controle mostrada anteriormente (Figura 4.1), ao adotar
a estrutura de Wiener (seo 3.2) e o modelo de Kano na parametrizao dos modelos
do processo e do atrito, respectivamente, resulta o diagrama da Figura 4.2. Com
o intuito de manter a notao usada no captulo 3, a posio da haste e a varivel
controlada pv so denotadas por u(k) e y(k), respectivamente; d(k) o sinal de
excitao externa e z(k) a sada do controlador, ou seja, o sinal efetivamente
aplicado planta.
d(k)
+
z(k)
+GFED
@ABC
/
/ K(q)
/ (S, J)
r(k)
Controlador
Atrito
Modelo
_ _Wiener
_ _ _+_ARMAX
_ _ _
_ _ _ de

e(k)
v(k)

/ H(q)

u(k)
+ +
@ABC
GFED
/
/ f ()
/ G(q)

_ _ _ _ _ _ _ _ _ _ _ _
Figura 4.2: Diagrama de blocos do modelo da malha de controle.
/ y(k)
54

Em suma, sejam as suposies:
1. O sinal d(k) pode ser manipulado durante o experimento de coleta de dados;
2. Apenas o conjunto de dados formado por {z(k), y(k)}N
k=1 est disponvel para
estimao e/ou validao.
O objetivo do restante do captulo propor um mtodo para identificar os parmetros do modelo de atrito (S, J), do processo (G(q), f ()) e de perturbaes H(q), de
acordo com a estrutura mostrada na Figura 4.2.
4.2
Projeto do sinal de excitao

A consistncia dos algoritmos de identificao em malha fechada depende de
um sinal de entrada que no seja gerado exclusivamente pela realimentao da sada

[30, 58, 90]. Em outras palavras, uma entrada extra necessria para garantir que
os dados de um experimento em malha fechada sejam suficientemente informativos .
Por este motivo a excitao externa d(k) necessria no diagrama da Figura 4.2.
Com isso, a questo que surge : que sinal d(k) mais apropriado para resolver o
problema descrito anteriormente?
Forssell [30] derivou as expresses do controlador e do sinal de teste timos
para a identificao de sistemas lineares. No entanto, estas expresses dependem do
modelo e de caractersticas das perturbaes do processo. Com o intuito de tornar
tais resultados mais adequados a aplicaes industriais, Zhu e Van den Bosch [92]
propuseram uma aproximao para a expresso do espectro timo r () do sinal de
teste que introduzido no valor de referncia da varivel controlada:
r ()
v ()(),
(4.1)
Um experimento informativo produz dados a partir dos quais possvel determinar os par-
metros do sistema de forma nica. Pode ser facilmente mostrado [30] que em um esquema de
identificao em malha fechada, um sinal persistentemente excitante [58] na entrada da planta no
implica em dados suficientemente informativos.
4.2 Projeto do sinal de excitao
55
em que: uma constante usada para limitar o sinal de teste, v () o espectro de

perturbaes e () uma funo de ponderao que reflete a aplicao do modelo.
At onde se sabe, no h trabalhos que tratem de como projetar o espectro
timo do sinal de excitao para a identificao de modelos de blocos interconectados, que operem em malha fechada. Entretanto, os resultados desenvolvidos para
modelos lineares podem orientar o projeto do sinal de teste e, consequentemente, do
seu espectro d () para o presente contexto. Por exemplo, de (4.1) pode-se dizer
que:
A densidade espectral de potncia do sinal de teste deve concentrar-se na faixa
de frequncias em que as pertubaes atuem com maior intensidade;
Para que o modelo identificado atenda aos seus propsitos, o sinal de teste deve
tentar reproduzir a excitao verificada em situaes para as quais o modelo
utilizado, em outras palavras, d () deve ter mais potncia nas frequncias
em que for necessrio obter erros de modelagem menores.
Como praticamente todos os processos industriais possuem caractersticas de
filtros passa-baixas, em geral, no h razes prticas para excitar o processo em altas
frequncias [80]. O GBN (do Ingls, Generalized Binary Noise) [77] uma forma
simples de gerar um sinal persistentemente excitante com espectro concentrado em
baixas frequncias. A cada intervalo de amostragem, este sinal comuta entre dois
valores VGBN , de acordo com a seguinte regra de probabilidade:
P (d(k) = d(k 1)) = psw
(4.2)
P (d(k) = d(k 1)) = 1 psw ,

em que P () indica a probabilidade do evento () ocorrer. O tempo mdio entre cada
comutao Tsw , em unidade de tempo, dado pela razo do intervalo de amostragem
Ts pela probabilidade de mudana de valor psw [89]:
Ts
.
Tsw =
psw
(4.3)
56
A Figura 4.3 mostra realizaes do sinal GBN composto por 800 amostras espaadas
de 1s e magnitude VGBN unitria, para trs valores de Tsw . Note a forma como o
espectro do sinal varia de acordo com a especificao de tempo mdio em cada
patamar.
Para guiar o projeto de sinais de excitao GBN, Tulleken [77] props uma
faixa de valores sub-timos do tempo mdio em cada patamar em funo do tempo
de acomodao ts :
ts
Tsw =
(4.4)
onde 1 2, de modo que, quanto maior o valor de , mais o modelo focado

em altas frequncias.
A principal motivao para (4.4) vem do fato de os espectros de perturbaes
e do sinal de entrada no processo serem determinados pela dinmica do processo
[89]. Logo, o sinal de teste projetado a partir de ts que, quando no conhecido
a priori, pode ser obtido atravs de ensaios preliminares. Para os casos em que o
tempo de acomodao varie de acordo com o ponto de operao, recomenda-se obter
18
Tsw = 10s
Ts w = 10s
Ts w = 20s
Ts w = 40s
16
0
14
GBN
200
400
600
800
0
1
0
1
200
400
600
800
10
8
6
Tsw = 40s
0
1
0
12
Tsw = 20s
d ( )
1
0
200
400
Tempo [s]
600
800
0 2
10
10
10
Freque ncia [rad/s]
Figura 4.3: Densidade espectral de potncia do GBN para diferentes Tsw .
4.2 Projeto do sinal de excitao
57
uma estimativa prxima do ponto de operao nominal do processo.

Como se sabe, sinais de entrada com maior potncia e ensaios de maior durao
contribuem para melhorar a estimativa dos parmetros [9]. Todavia, por razes de
segurana ou at econmicas, a magnitude do sinal de teste VGBN e a durao N do
experimento devem obedecer a certas restries. Portanto, as escolhas de VGBN e
N devem ser consideradas caso a caso, para lidar com o conflito entre os requisitos
tericos e as restries prticas.
Um algoritmo para gerar uma realizao do GBN com N pontos mostrado
no fluxograma da Figura 4.4. Note que uma sequncia de nmeros independentes e
uniformemente distribudos entre [0; 1], denominada Ri (para i = 1, . . . , N ), usada
para determinar se deve ocorrer uma mudana de valor no sinal de teste d(k).
Incio
i=1
Ri < 0,5?
no
sim
d(i) = +VGBN
sim
Fim
d(i) = VGBN
i = N?
no
i=i+1
Ri < psw ?
sim
d(i) = d(i 1)
no
d(i) = d(i 1)
Figura 4.4: Fluxograma do algoritmo para gerao do sinal GBN.
58
4.3
Estimao dos parmetros

O conjunto formado pelos modelos de atrito e do processo na Figura 4.2, pode
ser visto como um modelo Hammerstein-Wiener (ver Figura 3.3(a) na seo 3.1).
Logo, o problema de estimar os parmetros do modelo de atrito e do processo,
poderia ser tratado por um algoritmo de estimao de modelos de blocos interconectados, como por exemplo, o desenvolvido por Zhu [90], onde a identificao
realizada atravs de uma abordagem caixa-preta.
No entanto, neste caso, h conhecimento prvio a respeito da estrutura da
no-linearidade que antecede o bloco dinmico. Alm disso, como os sinais entre
os blocos no so conhecidos, a no ser que uma estrutura apropriada seja usada
para representar o fenmeno de atrito, ganhos arbitrrios seriam distribudos entre
o bloco linear e os no-lineares. Com isso, a quantificao do fenmeno de atrito na
vlvula seria, provavelmente, inconsistente.
4.3.1
Procedimento baseado em busca exaustiva
Suponha que, a princpio, os parmetros (S, J) sejam conhecidos. Com isso,

possvel obter uma estimativa da sada do modelo de atrito u(k), a partir do sinal
de entrada z(k):
u(k) = N1 (z(k), u(k 1), S, J) ,
(4.5)
em que N1 () a transformao no-linear descrita no fluxograma da Figura 2.5.

Uma vez determinada a sequncia u(k), o algoritmo de estimao de parmetros do modelo de Wiener (descrito na seo 3.2) executado usando o conjunto de
dados {
u(k), y(k)}N
k=1 para obter o modelo do processo. Todavia, o par (S, J) no
conhecido de antemo.
Uma forma de lidar com esta questo atravs do seguinte algoritmo:
Algoritmo 4.1 Estimao dos parmetros do conjunto atrito + processo baseado
em busca exaustiva.
4.3 Estimao dos parmetros
59
1. Criar um conjunto de valores candidatos D para o par (S, J). Neste passo,
deve-se ter em mente os seguintes aspectos: (1) O valor de J limitado por S
[21], pois na pior das hipteses, J = S ; (2) Uma condio necessria para que
a estimao dos parmetros de atrito seja vivel, que haja movimentao da
haste da vlvula. Admitindo-se que o sinal de teste tenha sido convenientemente escolhido, razovel afirmar que a maior parte das inverses de sentido
tenham sido causadas pelo sinal de teste. Logo, pode-se dizer que a amplitude
mxima de z(k) impe um limite superior para o parmetro S, ou seja:
(4.6)
max(S) < max(z(k)) min(z(k)).

Tais restries resultam no lugar geomtrico esboado na Figura 4.5;
5
4
3
max(J) = S
2
1
0
0
5
max(S)
Figura 4.5: Lugar geomtrico dos valores candidatos ao par (S, J).
2. Escolher um par (Si , Jj ) D;

3. Calcular a sequncia de valores {
uij (k)}N
k=1 a partir de (4.5);
4. Estimar os parmetros dos modelos do processo e de perturbaes, utilizando
o algoritmo proposto na seo 3.2 (Figura 3.5);
5. Quantificar o erro de simulao livre atravs do critrio:
N

2
1 X
(q) uij (Si , Jj , k)
y(k) f G
;
Cij (Si , Jj ) =
N k=1
(4.7)
60

6. At que todos os pares do conjunto D tenham sido testados, voltar ao passo
(2);
7. Assim que todos os pares (Si , Jj ) D tenham sido testados, os parmetros
dos modelos de atrito (S , J ), do processo (G(q), f ()) e de perturbaes H(q)
so os obtidos quando os ndices i e j proporcionam o menor valor de Cij .
Este algoritmo baseado no conceito de mnimos quadrados separveis [32],
pois o problema original separado em estimativas de modelos de Wiener usando

sequncias {
uij (k), y(k)}N
k=1 , geradas por cada (Si , Jj ) D e uma busca pelos parmetros do modelo de atrito que proporcionem o menor erro de simulao livre,
quantificado atravs de Cij .
4.3.2
Estimao dos parmetros usando otimizao
Um aspecto importante em relao ao algoritmo 4.1 a questo de mnimos

locais. Para evit-los, deve-se escolher uma resoluo suficientemente pequena para
os pares (Si , Jj ). Por outro lado, diminuir a resoluo dos parmetros candidatos
implica no aumento de elementos no conjunto D, e consequentemente, no esforo
computacional.
Uma forma de diminuir o esforo computacional utilizar algum algoritmo de
otimizao no-linear para buscar (S , J ). Entretanto, a no ser que o algoritmo
seja inicializado prximo do mnimo global, o problema de se obter um mnimo local ainda persiste. Recentemente, ao tratar da quantificao do atrito em vlvulas
empregando mnimos quadrados separveis e algoritmos de busca, Jelali [45] empregou busca direta em padres (do Ingls, pattern search). Neste caso, parmetros
estimados por mtodos de terceiros [22] foram usados como condio inicial.
Resultados prticos [39, 70, 79] tm indicado que a aproximao do atrito em
vlvulas de controle por um bloco de histerese bem razovel. Isto se deve ao fato
de a histerese ser proeminente em relao a outros comportamentos no-lineares nas
61
vlvulas [48]. Da definio do modelo de atrito de Kano (subseo 2.2.3), pode-se

considerar apenas o parmetro S como uma aproximao da histerese provocada
pelo atrito, pois mudanas no sentido de movimentao da haste ocorrem apenas se
o sinal de controle manifestar reverses de magnitude S.
Diante dessas premissas, ao desprezar o parmetro J (J = 0), pode-se buscar
o valor de S que minimize o erro de simulao (4.7) e, em seguida, usar este valor
para determinar a condio inicial para um algoritmo de busca para o par (S,J).
Esta estratgia descrita no algoritmo 4.2.
Algoritmo 4.2 Estimao dos parmetros dos modelos de atrito e de Wiener empregando otimizao na busca do par (S, J).
1. Inicialmente, admitir J = 0 e criar um vetor DS de valores candidados a S:

DS = 0, S, 2S, . . . , Smax ,
(4.8)
tal que Smax 6 max (S);
2. Para cada Si DS , calcular o erro de simulao livre Ci , de forma anloga a

(4.7);
3. Selecionar o valor de Si que minimize o erro de simulao livre:
(4.9)
S = arg min Ci (Si ) ;

Si
4. Partindo da estimativa inicial: (S0 , J0 ) = (S + S, S), resolver o problema de otimizao:

(S , J ) = arg min
(S,J)
N

2
1 X
(q) u (S, J, k)
y(k) f G
,
N k=1
(4.10)
em que um nmero inteiro positivo ( Z+ ) usado como parmetro de

ajuste da condio inicial de (4.10), cujo valor discutido adiante;
5. Estimar os parmetros do modelo de Wiener com a sequncia {
u (k), y(k)}N
k=1 ,
em que u (k) a sada do modelo de atrito parametrizado por (S , J ).
62

Uma vez descrito o algoritmo 4.2, algumas questes relacionadas otimizao
no passo (4) so tratadas a seguir.
Algoritmo de otimizao e critrios de parada

O carter descontnuo do modelo de atrito (ver Figura 2.4), faz com que o
problema em (4.10) seja no-convexo. Portanto, algoritmos de otimizao baseados
em gradientes, classificados como mtodos de busca local, no devem ser empregados
na obteno de (S , J ).
O algoritmo Simplex de Nelder-Mead [54, 84] apropriado para problemas de
identificao de atrito, pois no requer o clculo numrico ou analtico de gradientes.
No entanto, quando aplicado a problemas com mltiplos mnimos locais, no h
garantias de que o valor obtido seja o mnimo global. Ao inicializar o algoritmo
prximo da soluo tima, possvel evitar esse inconveniente.
Antes de tratar da inicializao do algoritmo, a questo de convergncia
abordada. Neste caso, foram adotados dois critrios de parada: (1) quando o dimetro do simplex for menor que 103 , ou (2) quando o algoritmo atingir 20 iteraes
(passos de busca). Estes critrios levam em considerao mudanas no par (S, J)
nas ltimas iteraes e o esforo computacional.
Estimativa inicial
A condio inicial (S + S, S) baseada na expresso (2.7) que
reescrita com a notao usada na Figura 4.2:
u(k) = z(k)
daux (S J)
.
2
(4.11)
O dimetro de um simplex determinado pela maior distncia entre dois vrtices. Como o pro-
blema de otimizao (4.10) de dimenso 2, o simplex possui trs vrtices, cada qual representando
um par (S, J).
63
Ao desprezar J nos passos (1) - (3), pode-se considerar que S S S J, que

implica em:
(4.12)
S S < S J < S + S.
Para acelerar a convergncia ao resolver (4.10) a escolha da condio inicial (S0 , J0 )

orientada por:
A rea em destaque na Figura 4.6 representa o espao de busca gerado a partir
das restries max(J) = S e (4.12). Note que o espao de valores candidatos
proporcional a S, portanto, desejvel selecion-lo de modo que S S;
Conforme dito anteriormente, em geral, a contribuio devido histerese
mais influente do que o fenmeno de escorregamento (slip-jump) em vlvulas
de controle, logo, S J.
6
5
4
3
2
max(J) = S
1
0
0
S 1S
S 2
S + 3S
6
max(S)
Figura 4.6: Condio inicial para otimizao do algoritmo 4.2 e lugar geomtrico do par
(S, J) sujeito a (4.12).
Sob tais argumentos, ao adotar J0 como um mltiplo de S e de (4.12), resulta:

(S0 , J0 ) = (S + S, S) .
(4.13)
A condio inicial para = 1 indicada por na Figura 4.6. A linha pontilhada

a partir de S indica os pares (S, J) candidatos quando S 0.
64

Na prtica, como geralmente S J, conveniente testar valores crescentes
para . A cada valor testado, o desempenho do modelo obtido verificado atravs

de critrios pr-estabelecidos. As tcnicas empregadas neste trabalho para avaliar
os modelos estimados so discutidas na prxima seo.
4.4
Tcnicas de validao do modelo

A etapa de validao encarregada de verificar se o modelo estimado apro-
priado para uma determinada aplicao. Para realizar esta verificao, pode-se
considerar as seguintes questes [58]: (1) O modelo bom o bastante para atender
aos seus propsitos? (2) As simulaes esto de acordo com os dados observados?
(3) O modelo descreve o sistema real?
Geralmente, o mtodo para responder a estas questes confrontar o modelo
estimado com informaes do sistema real. Tais informaes incluem conhecimento
prvio do processo, dados experimentais e experincia adquirida ao utilizar o modelo.
Em identificao de sistemas, a entidade mais natural para confrontar os modelos
so os dados experimentais, portanto muitas vezes a etapa de validao se restringe
a responder a questo (2).
Na identificao de processos industriais, perturbaes no mensurveis e a
inexistncia de estruturas ideais para reproduzir certos fenmenos, via de regra,
geram erros de modelagem. Portanto, alm do modelo que melhor descreva um
conjunto de dados especfico, uma descrio adequada dos erros de modelagem pode
ser usada para verificar se tais erros so significativos para a aplicao do modelo.
4.4.1
Validao por simulaes
A forma mais usual de se validar um modelo atravs da comparao entre

a simulao do modelo obtido com dados medidos. Entretanto, um cuidado bsico
precisa ser observado: ao realizar tal comparao no aconselhvel utilizar os
4.4 Tcnicas de validao do modelo
65
mesmos dados empregados na estimao dos parmetros para validar o modelo. No

surpreendente que um modelo possa ter um bom desempenho quando avaliado com
o prprio conjunto de dados com que foi estimado. O teste real verificar se ele
capaz de descrever o comportamento do processo com base em um conjunto novo
de dados.
Portanto, na prtica, o ideal efetuar dois testes independentes, gerando-se,
assim, dois conjuntos de dados. Um deles usado na estimao dos parmetros e
outro na validao do modelo. Se dois testes distintos no puderem ser realizados,
ento se divide o nico conjunto disponvel em duas partes (no necessariamente
iguais), sendo cada uma das partes usada numa etapa diferente [1].
Uma forma de quantificar a adequao das simulaes em relao aos dados
reais atravs do ndice de acerto F2 [58], expresso em porcentagem:

Y Y
2 100,
F2 [%] = 1
Y Y
2
(4.14)
em que Y RN o vetor de dados de sada, enquanto Y e Y denotam, respectivamente, o vetor da sada simulado a partir de {z(k)}N
k=1 e a mdia de Y .
4.4.2
Validao baseada nos erros de modelagem
Os testes de simulao no indicam at que ponto eventuais falhas sejam crticas, ou mesmo se podem ser corrigidas. Por exemplo, se as simulaes apresentarem
erros significativos em relao aos dados observados, no possvel afirmar se tais erros so significativos para a aplicao do modelo. Neste caso, o propsito do modelo
do processo ser aplicado na re-sintonia de controladores, portanto, conveniente
obter uma descrio dos erros de modelagem no domnio da frequncia.
A seguir proposto um mtodo para estimar limites superiores do erro de
modelagem no bloco dinmico linear. Esta metodologia, baseada no comportamento
assinttico da estimativa de parmetros [57, 58], alm de indicar as frequncias em
66
que o desempenho do modelo seja pior, tambm prov informaes que podem ser
usadas no re-projeto do sinal de teste e assim diminuir o erro de modelagem em
frequncias especficas.
Comportamento assinttico dos parmetros estimados

Suponha um sistema estvel em malha aberta, linear e invariante no tempo,
cuja sada w(k) possa ser expressa atravs de:
w(k) =
X
i=1
gi0 u(k i) +
X
i=0
h0i e(k i)
= G0 (q)u(k) + H0 (q)e(k),
(4.15)
em que e(k) rudo branco de mdia nula e varincia e2 e os coeficientes da resposta

impulsiva do processo e das perturbaes so, respectivamente, gi0 e h0i .
Ljung [57] estudou o comportamento assinttico da estimativa de modelos,
obtidos atravs do mtodo dos mnimos quadrados, nas seguintes condies:
n , quando N
n2 /N 0 , medida que N
que expressam formalmente a condio de que, mesmo para valores assintticos, a
ordem do modelo n pequena se comparada quantidade de amostras N . Em tais
condies, foram obtidos os seguintes resultados tericos:

ej , quanto a
1. Tanto a estimativa da resposta em frequncia do processo G

ej so consistentes, isto :
das perturbaes H

ej
G0 (ej )
G

(4.16)
ej
H0 (ej )
H
com probabilidade 1;
2. O erro da resposta em frequncia estimada segue assintoticamente uma distribuio de probabilidade gaussiana,
r
(ej ) E
N
G
(ej ) E
n
H
com mdia nula:

ej
G
G (0, P ()) .
ej
H
(4.17)
67
E () denota o operador esperana matemtica. O valor assinttico da matriz

de covarincia P () dado por:
P () =
e2

H0 ej 2
u () eu ()
ue ()
e2
1
(4.18)
em que u () a densidade espectral do sinal de entrada, assim como eu ()

e ue () so as densidades do espectro cruzado de e(k) e u(k).
As expresses (4.16) e (4.17) so vlidas quando N e n , para
dados obtidos em malha fechada (a situao de malha aberta pode ser vista como
um caso especial), desde que o algoritmo de estimao de parmetros no resulte
em um mnimo local [57, 89].
(ej ), depende dos daComo a resposta em frequncia do modelo estimado, G
dos experimentais, faz sentido analisar o erro do modelo atravs de uma abordagem
probabilstica [89]. Para tanto, definem-se o bias B () e a varincia V () referente
ao modelo do processo no domnio da frequncia:

ej
B () = G0 ej E G

2

ej
ej E G
.
V () = E G
(4.19)
(4.20)
Levando-se em conta (4.19) e (4.20), possvel representar o erro mdio quadrtico

do modelo estimado atravs de:

2
ej
M SE () , E G0 ej G

2

ej
ej G
ej + E G
= E G0 ej E G
M SE () = B 2 () + V () .
(4.21)
De acordo com Zhu [88], o bias est relacionado incapacidade de um modelo

de representar comportamentos estticos e dinmicos encontrados nos dados. Todavia, uma consequncia importante de (4.16) que B () 0, conforme n .
MSE, do Ingls Mean Square Error.
68
Em contrapartida, a contribuio do termo de varincia no erro mdio quadrtico

causada por perturbaes no modeladas. De (4.18) pode-se escrever:
sendo:

2 adj (())
,
P () e2 H0 ej
det (())
() =
Logo,
u () eu ()
ue ()
e2
2
e2 |H0 (ej )|
P ()
u ()e2 |ue ()|2
ue ()
e2
eu () u ()
(4.22)
em que simboliza assintoticamente igual; det() e adj() denotam a matriz adjunta e o determinante, respectivamente. Ao considerar (4.17) e apenas o elemento
referente varincia do modelo do processo em (4.22), resulta que:
2
v ()e2
n (e2 ) |H0 (ej )|
n
V()
=
,
N u ()e2 |ue ()|2
N u ()e2 |ue ()|2
(4.23)
em que v () denota a densidade espectral das perturbaes: v(k) = H0 (q)e(k).

A expresso (4.23) revela que a varincia do modelo em uma dada frequncia
proporcional razo da ordem do modelo pela quantidade de amostras. Alm disso,
quanto maior a potncia do sinal de entrada, menor ser a varincia do modelo, ao
passo que o inverso ocorre para o espectro de perturbaes.
Validao do bloco linear

No algoritmo proposto na seo 4.3 utilizou-se uma estrutura capaz de representar tanto o fenmeno de atrito quanto um processo com dinmica no-linear.
Ademais, como um modelo FIR de ordem suficientemente elevada foi usado durante
a estimativa do bloco linear (passo 4 desse algoritmo), espera-se que o erro de modelagem devido polarizao (bias) seja desprezvel, se comparado ao termo que
expressa a varincia do modelo. Logo, com probabilidade de 99,7%:

p

ej 3 V() = ().
G0 ej G
(4.24)
69
Voltando estrutura da Figura 4.2, se for admitido que o modelo de atrito e

a funo no-linear w(k) = f 1 (y(k)) sejam perfeitamente conhecidos, a partir de
(4.23), o limite superior () para o erro de modelagem do bloco linear dado por:
s
v ()e2
n
() = 3
.
(4.25)
N u ()e2 |ue ()|2
Na prtica, v (), u (), ue () e e2 so substitudos pelas estimativas:
!
n
N
X
X
1
v () =
v(k)
v (k + ) ej
N
=n
k=1
!
N
n
X 1 X
u () =
u(k)
u(k + ) ej
N
=n
k=1
!
n
N
X 1 X
ue () =
u(k)(k + ) ej
N
=n
k=1
e2 = var((k)),
(4.26)
(4.27)
(4.28)
(4.29)
em que u(k) dado por (4.5). Ademais, a estimativa do sinal de perturbaes v(k)
e o erro de predio (k) so dados por:
u(k)
v(k) = f1 (y(k)) G(q)
1 (q)
(k) = H
v (k).
Zhu [88] utilizou a relao entre o erro de modelagem () e o mdulo da
estimativa da resposta em frequncia para classificar a qualidade do modelo, de
acordo com o critrio da Tabela 4.1. Por exemplo: seja um intervalo de frequncias
importantes para a aplicao do modelo delimitado por [1 ; 2 ]. Se () propor
cionar erros inferiores a 30% do mdulo da resposta em frequncia de G(q),
para
[1 ; 2 ], ento este modelo classificado como bom.
De acordo com simulaes e experincias prticas, modelos classificados como
A ou B so considerados apropriados para aplicaes em controle do processos [88].
Por outro lado, modelos C e D demandam um re-projeto do ensaio de coleta de
dados. Conforme (4.25), para obter um modelo com desempenho melhor h duas
70

ej .
Tabela 4.1: Classificao do modelo de acordo com a relao entre () e G
Classificao
Muito bom
Bom
Marginal
Pobre
Limite superior do erro de modelagem

ej
() 0,2G

ej
ej < () 0,5G
0,2G

ej
ej < () 0,9G
0,5G

ej
() > 0,9G
possibilidades: (i ) realizar um ensaio de maior durao ou (ii ) escolher um sinal

d(k) de modo que u () seja maior no intervalo [1 ; 2 ].
Durante o clculo do limite superior do erro de modelagem, admitiu-se que os
blocos no-lineares que envolvem o bloco dinmico foram perfeitamente modelados.
Uma forma de levar em conta os erros de tais blocos majorar (4.24) com um fator
maior do que 3 desvios padro.
4.5
Fechamento do captulo
A ideia de usar valores candidatos para inferir a sada do bloco que modela
o atrito e, a partir deste sinal, identificar um modelo de processo, foi originalmente

proposta por Srinivasan et al. [73]. Em relao a este trabalho, foram sugeridas as
seguintes extenses:
Modelo de atrito mais apropriado;
Estrutura no-linear para o modelo do processo;
Adio de um sinal extra d(k) para garantir ensaios informativos, em malha
fechada.
Paralelamente ao desenvolvimento desta pesquisa, Choudhury et al. [23] estenderam a proposta de Srinivasan et al. [73] utilizando um modelo de atrito mais
4.5 Fechamento do captulo
71
apropriado (tambm composto por dois parmetros), similar ao modelo de Kano.

Portanto, esta extenso pode ser considerada como um primeiro passo rumo s contribuies sugeridas nesta Tese.
Neste captulo estudou-se como integrar as ideias de quantificao do atrito
(captulo 2) e de identificao de modelos de processos no-lineares (captulo 3). Da
primeira resultou a adoo de uma descrio apropriada para o atrito e nas restries
do espao de parmetros candidatos (S, J). Por outro lado, as ideias relacionadas
identificao de modelos de Wiener foram trabalhadas, de modo que fosse possvel
obter um modelo de processo no-linear, sem nenhuma interveno do usurio. Tal
caracterstica permite que S e J sejam determinados por busca exaustiva ou por
otimizao, de modo a minimizar a diferena entre a sada y(k) e a estimativa y(k),
calculada atravs do modelo do conjunto atrito + processo. Por fim, foi descrita uma
forma de estimar um limite superior para o erro de modelagem, usando resultados
da teoria assinttica [57].
Captulo 5
Resultados e discusses
Neste captulo pretende-se avaliar o desempenho da metodologia para identificao conjunta dos modelos de atrito e processo, apresentada no captulo anterior.
Primeiramente, o mtodo aplicado a um ambiente totalmente simulado (seo 5.1)
com o intuito de analisar a influncia de perturbaes na estimao dos parmetros.
Na seo 5.2, utiliza-se uma plataforma hbrida, em que uma vlvula de controle
real interligada ao simulador de uma planta de neutralizao de pH. Esta plataforma usada para testar a capacidade da estrutura proposta (modelo de atrito +
Wiener) de modelar um processo altamente no-linear. Alm disso, questes relacionadas influncia de perturbaes, da magnitude do sinal de teste e da sintonia
do controlador nos modelos identificados tambm so abordadas.
5.1
Identificao de uma planta simulada

Com o intuito de avaliar a exatido das estimativas dos parmetros dos mo-
delos de atrito, do processo e do limite superior do erro de modelagem, obtidas

atravs do mtodo proposto neste trabalho, considera-se uma malha simulada cujo
diagrama de blocos mostrado na Figura 5.1.
O bloco que representa a parte dinmica do modelo de Wiener uma funo
de transferncia em tempo contnuo, simulada usando um intervalo de integrao
de 10 ms. O sinal de controle u(k) reconstrudo por um segurador de ordem zero,
73
74
e(k)
d(k)
r(k) +
u(k)
z(k)
+
89:;
89:;
/ ?>=<
/ ?>=<
/ S/H
S, J
/ K(q)
O
+
Controlador
Atrito
PI
/ G(s)
/ H(q)
v(k)
Ts:
+
t + w(k)
?>=<
ttt / 89:;
/ f ()
y(k)
/
Figura 5.1: Diagrama de blocos da malha simulada.
denotado por bloco S/H. A sada de G(s) amostrada com um perodo Ts = 0,4s,
antes de ser somada a v(k), que representa as perturbaes do processo. O sinal
e(k) denota um rudo branco gaussiano de mdia nula e varincia unitria. Mais
especificamente, os valores numricos dos blocos usados na simulao so:
5
s3 + 11,5s2 + 15,5s + 5
v
H(q) =
1
(1 0,85q ) (1 0,95q 1 )
w(k)
y(k) = f (w(k)) = p
0,1 + 0,9w2 (k)
1,25 1,094q 1
K(q) =
,
1 q 1
(5.1)
G(s) =
(5.2)
(5.3)
(5.4)
em que v uma constante usada para ajustar a intensidade da perturbao v(k).

O grfico de (5.3) mostrado na Figura 5.2.
0.9
0.85
0.8
0.75
y=
0.7
w
1+0,9w 2
0.65
0.6
0.55
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
0.6
Figura 5.2: Grfico da funo esttica no-linear y(k) = f (w(k)) da planta simulada.
5.1 Identificao de uma planta simulada
75
Os parmetros do modelo de atrito so: S = 10% e J = 2%. Alm de terem

sido empregados anteriormente [23] para simular o atrito em vlvulas de controle,
tais valores so coerentes com o atrito observado em situaes reais [79].
5.1.1
Experimento para coleta de dados
Um sinal GBN com magnitude comutanto entre 3,75 102 e tempo mdio
em cada patamar de Tsw = 18 Ts introduzido em d(k). Conforme discutido na

seo 4.2, o espectro de d(k) definido ao adotar 1,3 em (4.4). Como o sinal
de referncia r(k) mantido constante em r = 0,75, esta magnitude corresponde a
uma variao de 5% de r.
As simulaes foram realizadas em duas situaes distintas, de acordo com a
intensidade do sinal de perturbao v(k). Na primeira, o valor de v ajustado de
modo a obter uma relao sinal-rudo de 2,45% (de varincia) em w(k) e 2,62% em
y(k). Em um segundo cenrio, utilizado um nvel de perturbao de 9,43% em
w(k), que implica em uma relao de 9,88% na sada.
Para cada cenrio de perturbao foram realizadas duas simulaes com durao de 400s (1000 pontos). Os dados da primeira simulao so empregados na
estimao dos parmetros, ao passo que os da segunda so destinados validao
dos modelos. Os dados de entrada e sada do processo, z(k) e y(k), referentes s

situaes de baixo e alto nvel de perturbao so mostrados , respectivamente, nas
Figuras 5.3 e 5.4. Apesar de no ser usado durante o procedimento de identificao,
a sada do bloco parametrizado por S e J, u(k), tambm apresentada para que a
contribuio do fenmeno de atrito possa ser explicitamente visualizada.
Das Figuras 5.3 e 5.4, verifica-se que na maior parte do tempo, a sada do
controlador z(k) excursiona dentro do intervalo [0,25; 0,45]. Por inspeo visual,
percebe-se que a sada y(k) afetada por variaes da entrada z(k). Portanto,
razovel admitir que max(S) = 20%.
Para melhor visualizao, so exibidos apenas os ensaios usados na etapa de estimao.
Sinal de entrada [p.u.]
76
0.45
0.4
0.35
0.3
0.25
0.2
Sinal de sada [p.u.]
50
100
150
z (k)
u(k)
200
250
300
350
400
300
350
400
0.8
0.75
0.7
r (k) + d(k)
0.65
0
50
100
150
200
y(k)
250
Tempo [s]
Sinal de entrada [p.u.]
Figura 5.3: Dados de entrada e sada da simulao com perturbaes de baixa intensidade.
0.45
0.4
0.35
0.3
0.25
0.2
Sinal de sada [p.u.]
50
100
150
z (k)
u(k)
200
250
300
350
400
300
350
400
0.8
0.75
0.7
r (k) + d(k)
0.65
0
50
100
150
200
y(k)
250
Tempo [s]
Figura 5.4: Dados da simulao para a estimao de parmetros referentes ao cenrio de

perturbao elevada.
5.1.2
77
Estimao dos parmetros
O procedimento para estimao de parmetros do conjunto atrito + processo

baseado em busca exaustiva (algoritmo 4.1) aplicado aos conjuntos de dados provenientes de ambos cenrios de perturbao. Uma resoluo de 0,01 (1%) empregada
na gerao de valores candidatos para o par (S, J). Na identificao do modelo de
Wiener, limitou-se a ordem do bloco dinmico e o grau do polinmio seccionado em
lmax = 5 e mmax = 9, respectivamente. A estimativa inicial do bloco dinmico linear
obtida atravs de uma estrutura FIR de ordem n = 40 e o modelo de perturbaes
parametrizado arbitrariamente com nc = 2.
O comportamento do erro de simulao Cij , definido em (4.7) na seo 4.3,
em funo dos valores candidatos do modelo de atrito mostrado nas curvas de
nvel da Figura 5.5. As superfcies mais escuras denotam os parmetros de atrito
J)
que minimiza Cij
que proporcionam os menores erros de simulao. O par (S,
indicado por . Note que, para ambos cenrios de perturbao, as estimativas
dos parmetros do modelo de atrito so exatamente os empregados na simulao,
ou seja, S = 10% e J = 2%. Naturalmente, este resultado foi possvel porque S e J
pertencem ao conjunto de parmetros admissveis.
Menor perturbac a o
12
10
10
J [%]
J [%]
12
6
4
Maior perturbac a o
6
4
10
S [%]
12
10
12
S [%]
Figura 5.5: Curvas de nvel do comportamento do erro de simulao Cij , nos cenrios de
menor e maior perturbao.
78
Tambm pode-se perceber na Figura 5.5 que os menores valores de Cij so ob-
tidos quando a diferena Si Jj aproxima-se do valor usado na simulao: 0,08 (8%),

desde que Jj 5%. Este resultado explicado pelo fato de a diferena entre S e J
determinar o comportamento dinmico da posio da haste. Alm disso, ao admitir
um valor excessivamente elevado para Jj e mantendo constante a diferena Si Jj ,
o modelo de atrito pode deixar de apresentar algumas reverses de sentido presentes
nos dados experimentais.
A seguir, o algoritmo de estimao baseado em otimizao do par (S, J), proposto na subseo 4.3.2, foi testado com o mesmo conjunto de dados (Figuras 5.3 e
5.4). Para a construo do vetor DS (4.8), adota-se S = 0,01 , assim como valores
de 1 a 3 so atribudos a para o clculo da estimativa inicial (4.13). O desempenho
dos modelos obtidos quantificado pelo critrio do erro de simulao F2 , definido
em (4.14).
A Tabela 5.1 mostra que os valores de S e J dependem da estimativa inicial a
partir da qual tais parmetros so calculados. No cenrio de menor perturbao, por
exemplo, ao admitir = 1 o algoritmo de otimizao resulta em um mnimo local.
Por outro lado, quando outras estimativas iniciais so testadas e os modelos obtidos
so avaliados atravs de F2 , o algoritmo de estimao baseado em otimizao (com
= 2) proporciona resultados equivalentes estratgia de busca exaustiva.
Tabela 5.1: Comparativo do desempenho dos algoritmos de estimao de parmetros.
Nvel de
perturbao
S [%]
J [%]
F2 [%]
Pares (S, J)
testados
10
81,80
231
Otimizao ( = 1)
9,23
0,99
80,01
35(21 + 14)
Otimizao ( = 2)
9,97
1,88
81,70
38(21 + 17)
Otimizao ( = 3)
9,92
1,84
81,63
51(21 + 30)
10
65,21
231
Otimizao ( = 1)
10,48
1,86
63,07
51(21 + 30)
Otimizao ( = 2)
10,36
2,09
64,53
43(21 + 22)
Otimizao ( = 3)
10,95
2,68
60,24
41(21 + 20)
Algoritmo
Busca exaustiva
Menor
Busca exaustiva
Maior
79
H ainda uma importante vantagem em se empregar otimizao na busca pelo

par (S, J): o esforo computacional drasticamente reduzido. Para este problema,
enquanto a abordagem de busca exaustiva requer que 231 combinaes de modelo
de atrito sejam testadas, durante a otimizao foram testados, na pior das hipteses,
51 pares (21 para o clculo da estimativa inicial e 30 no algoritmo Simplex). Ao
considerar os 93 pares testados com = 1, 2 e 3, no cenrio de maior perturbao,
a reduo de quase 60%.
Outro aspecto relevante que, de uma forma geral, os modelos obtidos no
cenrio de menor perturbao apresentam erros de simulao menores. Como mos J)
est prximo do valor verdadeiro, a despeito do
trado na Tabela 5.1, o par (S,
nvel de perturbao. Logo, a estimativa do modelo do processo pode estar comprometida. De qualquer forma, os dados de validao esto contaminados por rudo de
processo de intensidade equivalente ao presente nos dados de estimao. Este fato
explicaria, em parte, os menores valores de F2 .
Neste caso, o modelo do processo (5.1)-(5.3) perfeitamente conhecido. Portanto, possvel investigar a influncia do nvel de perturbao nas estimativas dos
blocos G(q) e f (). Diante da vantagem relacionada ao esforo computacional, apenas o modelo do conjunto atrito + processo estimado por otimizao (algoritmo 4.2)
considerado nas anlises subsequentes.
5.1.3
Validao dos modelos
Para verificar se o bloco linear capaz de incorporar a dinmica do processo,

a curva de Nyquist do modelo estimado, em cada situao de perturbao, comparada com a proporcionada por G(s), especificada em (5.1), aps ser discretizada
usando um segurador de ordem zero. A Figura 5.6 mostra que, para ambos nveis de
perturbao, a resposta em frequncia bem reproduzida em baixas frequncias.
No exemplo desta seo, admitiu-se max(S) = 20% e uma resoluo de 1%, portanto a quanP20
tidade de combinaes dada por:
i=0 (i + 1) = 231.
80
medida que a frequncia aumenta, surgem divergncias entre as curvas de Nyquist.

Vale ressaltar que, como de se esperar, para o cenrio de maior perturbao, a
diferena entre as curvas verdadeira e estimada mais expressiva.
FIR
G(q)
0.2
G(s) discretizado
Eixo imagina rio
Eixo imagina rio
G(s) discretizado
0.4
0.6
FIR
G(q)
0.2
0.4
0.6
Menor perturbac a o
0
0.4
0.8
Eixo real
Maior perturbac a o
0
0.4
0.8
Eixo real
Figura 5.6: Grafico de Nyquist do bloco dinmico linear, em ambas as situaes de perturbao consideradas.
A curva de Nyquist da estimativa inicial do bloco dinmico tambm mostrada

na Figura 5.6 (trao-ponto). Ao comparar tais curvas com as obtidas dos modelos
reduzidos G(q)
(linha tracejada), fica clara a melhoria em reproduzir a resposta em
frequncia de G(s), depois de o modelo FIR ser transformado em uma estrutura de
funo de transferncia racional.
Uma vez reveladas divergncias entre a resposta em frequncia dos modelos
estimado e simulado, como verificar se estas discrepncias so erros de modelagem
significativos? A Figura 5.7 apresenta o mdulo da resposta em frequncia do modelo
real G(s) e do estimado G(q),

assim como o erro de modelagem e o limite superior
do erro () (calculado conforme descrito na subseo 4.4.2), para a condio de
menor perturbao.
Primeiramente, verifica-se que o erro de modelagem s atinge uma magnitude
superior a 50% de |G (ej )| prximo da frequncia de Nyquist. Este resultado mostra
que os erros apresentados no so relevantes. A Figura 5.7 mostra ainda que a estimativa do limite superior do erro de modelagem coerente com os erros observados
81
em todo o espectro de frequncias.

ej |
|G

|G e j |
( )

ej |
|G e j G

|G e j | e ( )
0.8
0.6
0.4
0.2
10
10
10
Freque ncia [rad/s]
Figura 5.7: Mdulo da resposta em frequncia e limite superior do erro de modelagem

provenientes do ensaio com baixo nvel de perturbao.
Para classificar G(q)

de acordo com o limite superior do erro de modelagem
(Tabela 4.1), necessrio estipular uma faixa de frequncias que reflita a aplicao
do modelo. No contexto da identificao de sistemas lineares, quando o objetivo
aplicar o modelo na sintonia de controladores, essa faixa de frequncias determinada pela banda de passagem da malha fechada [59]. No entanto, como no h
especificaes prvias para a sintonia do controlador e por este trabalho tratar da
identificao de processos no-lineares, considera-se a faixa [0; c ] , sendo que c
a frequncia na qual |G (ej )| = 0,707 (3dB). Neste caso, G(q)

seria classificado
(ej ) |, para [0; c ].

como A (Muito bom), pois: () < 0,2|G
A anlise do erro de modelagem no domnio da frequncia tambm conduzida

para o modelo estimado a partir dos dados sujeitos ao nvel de distrbios maior. Os
resultados na Figura 5.8 mostram que em boa parte do espectro:

ej | |G
ej |.
|G ej G
Caso seja especificada uma resposta em malha fechada significativamente mais rpida do que a
do processo em malha aberta, a classificao de G(q)

deve ser baseada em uma faixa de frequncias
mais ampla.
82

ej |
|G

|G e j |
( )

ej |
|G e j G

|G e j | e ( )
0.8
0.6
0.4
0.2
10
10
10
Freque ncia [rad/s]

ej | na condio de perturbao
Figura 5.8: Limite superior do erro de modelagem e |G
mais intensa.
Alm disso, o limite superior do erro de modelagem maior do que o obtido

no caso em que a perturbao menor. Este resultado de se esperar, pois ()
proporcional densidade espectral dos resduos do modelo. Por esta razo, se o
mesmo critrio usado para classificar o modelo referente ao cenrio de menor pertur (ej ) seria classificado
bao fosse aplicado nesta situao, apesar de satisfatrio G
como B (Bom).
Por fim, o ajuste da funo esttica no-linear analisado. Para que seja possvel avaliar o efeito das perturbaes, as estimativas do bloco esttico nas condies
de menor f(l) (w) e de maior perturbao f(h) (w) so mostradas no grfico disposto
do lado esquerdo da Figura 5.9. Nos dois cenrios, apesar de se adotar uma estrutura
diferente da usada nas simulaes, apresentada em (5.3), o mapeamento y = f (w)
estimado com boa exatido.
Uma forma de quantificar o ajuste da curva esttica do processo atravs do
ndice de correlao linear [24] entre a sada calculada a partir de (5.3), Y 0 , e a
calculada a partir da estimativa do bloco f (), representada por Y :
rN [%] =
cov(Y 0 , Y )
std(Y 0 ) std(Y )
100,
(5.5)
83
em que cov(Y 0 , Y ) a covarincia entre Y 0 e Y , ao passo que std() denota o desviopadro de uma varivel. Quanto mais prximo de 100%, maior a associao linear
entre Y 0 e Y .
2.4
0.8
2.2
2
Ganho: y/ w
f(l) (w) / w (Estimado)
f(h) (w) / w (Estimado)
0.78
1.8
1.6
y/ w
0.76
0.74
1.4
1.2
y = f (w)
0.72
0.7
y = f(l) (w)
0.8
y = f(h) (w)
0.6
0.4
0.68
0.3
0.32 0.34 0.36 0.38
0.4
0.3
0.32 0.34 0.36 0.38
0.4
Figura 5.9: Estimativa da funo no-linear (esquerda) e do ganho esttico em funo do

ponto de operao (direita).
Ao comparar os valores de rN obtidos para cada cenrio de perturbao, dispostos na Tabela 5.2, confirma-se que, assim como o bloco linear, a estimativa da
curva esttica tambm deteriorada diante de um nvel maior de distrbios. No entanto, o grfico de f(h) (w) mostra que tal discrepncia discreta, apesar da varincia
ser quase 4 vezes maior do que na situao de pouca perturbao.
Tabela 5.2: Estimativa da funo esttica no-linear.
Funo estimada
rN [%]
f(l) ()
99,9647
f(h) ()
99,8440
A influncia da intensidade de v(k) na estimativa do comportamento esttico

mais evidente ao observar o ganho do processo em funo do ponto de operao.
Como mostrado na Figura 5.9, para o cenrio de menor perturbao, o erro na
84
estimativa do ganho , na pior das hipteses (em w = 0,344), de 14%, ao passo que
no cenrio de maior perturbao o erro de at 44% em w = 0,344.
Os resultados apresentados nesta seo sugerem que o mtodo proposto para
a identificao da associao entre modelos de atrito e de Wiener apropriado, para
este caso. A seguir utiliza-se um ambiente mais realista para testar a aplicabilidade
desta metodologia.
5.2
Planta hbrida de neutralizao de pH

Nesta seo, o mtodo de identificao do conjunto atrito + processo aplicado
a uma plataforma hbrida, em que a vlvula de controle seja real e o processo seja
simulado. Esta configurao conhecida por HIL (do Ingls, Hardware In the Loop).
Um diagrama ilustrativo da configurao utilizada apresentado na Figura 5.10.
Sinal de
teste
d(k)
Ambiente
simulado
+
r(k) + +
z(k)
@ABC
GFED
GFED
@ABC
/
/
/ Controlador
O
Referncia
Ambiente
real
Vlvula
de controle
perturbaes
u(k)
/

Planta de
neutralizao
/ y(k)
Figura 5.10: Diagrama ilustrativo da plataforma HIL.
A vlvula utilizada (modelo ET, fabridada pela Fisherr International [29])

conta com um sensor LVDT (do Ingls, Linear Variable Differential Transformer )
para medir o deslocamento da haste u(k) e um sensor de presso, para que se possa
inferir a fora motriz que atua sobre o diafragma da vlvula. Estes sensores so ligac
dos a uma placa de aquisio de dados (modelo PCI-6229, National Instruments
).
O sinal proveniente do sensor de posio usado como entrada do modelo fenomenolgico de uma planta de neutralizao de pH, que simulado em tempo real
no ambiente Matlab\Simulinkr . No mesmo ambiente, tambm implementado o
5.2 Planta hbrida de neutralizao de pH
85
controlador do processo, cuja sada z(k) ligada ao atuador pneumtico da vlvula

atravs de um canal de sada analgico.
Processos de neutralizao de pH apresentam no-linearidades severas, pois o
ganho estacionrio varia consideravelmente para pequenas mudanas nas condies
de operao da planta. Alm disso, sistemas que envolvam o controle de acidez so
frequentes em indstrias qumicas e biolgicas [5]. Por estes motivos, processos de
neutralizao de pH tm sido muito usados como benchmark na avaliao de tcnicas
para identificao e controle de sistemas no-lineares [49, 72]. A seguir descrita a
planta de pH que integra a plataforma HIL.
5.2.1
Descrio da planta de neutralizao de pH
O processo consiste em trs fluxos de entrada: um de soluo cida H2 CO3 , um

de soluo tampo (buffer ) NaHCO3 e um de reagente alcalino NaOH representados,
respectivamente, por q1 , q2 e q3 . A varivel controlada o pH medido no tanque
reator T1. A varivel manipulada a vazo q3 de NaOH, controlada pelo sinal
aplicado ao atuador da vlvula AV. A soluo alcalina armazenada em um tanque
pressurizado T2, cuja base est na mesma altura da vlvula AV. H ainda uma
vlvula LV que controla o fluxo de sada q4 de modo a tentar manter o nvel do tanque
reator hT1 em um valor de referncia hT1nom . A Figura 5.11 mostra o diagrama da
planta de neutralizao que compe a plataforma HIL.
Ao derivar o modelo da planta admite-se que: (1) os reagentes envolvidos so
incompressveis, (2) as massas especficas das solues so idnticas, constantes e
representadas por , (3) os ons envolvidos so totalmente solveis, (4) a mistura
no tanque T1 perfeita, (5) a presso relativa PT2 no interior de T2 praticamente
constante, (6) as vlvulas AV e LV tm caracterstica inerente de vazo linear e (7) a
A planta descrita na subseo 5.2.1 baseada na proposta de Alvarez et al. [5], de modo que
algumas alteraes foram realizadas para tornar o modelo mais compatvel com a planta piloto do
Laboratrio de Controle de Processos da Escola Politcnica da Universidade de So Paulo.
86
Figura 5.11: Planta de neutralizao de pH.
dinmica das reaes qumicas assim como a perda de carga nas tubulaes podem
ser desprezadas.
A vazo de base q3 pode ser modelada (lei de Bernoulli) por:
p
q3 (t) = Kq3 XAV (t) P (t)
p
= Kq3 XAV (t) PT2 + g hT2 (t),
(5.6)
em que Kq3 uma constante de proporcionalidade, 0 XAV 1 a abertura da

vlvula AV, g a acelerao gravitacional e hT2 o nvel do tanque pressurizado.
Ao substituir (5.6) no balano de massa do tanque T2 resulta:
AT2 h T2 (t) = q3 (t)

p
hT2 (t) = 1 Kq XAV (t) PT2 + g hT2 (t) .
3
AT2
(5.7)
A condio inicial da equao diferencial (5.7) o nvel mximo do tanque pressurizado, representado por hT2max , cuja rea AT2 considerada constante.
O pH no tanque do reator modelado segundo o mtodo de invariantes de
87

reao . A partir desta abordagem, a concentrao de ons de hidrognio H+ no
tanque reator determinada usando constantes de equilbrio das reaes qumicas
envolvidas (Ka1 , Ka2 e Kw ) [5] e os invariantes de reao da soluo neutralizada,
Wa4 e Wb4 , atravs da seguinte funo no-linear [41]:
+
H = Wb4
2 !
1
+ 2Ka1 Ka2 H+
Ka1 H+
Kw
+ 1
+ 2 + Wa4 + + .
H
1 + Ka1 H
+ Ka1 Ka2 H
(5.8)
As reaes qumicas envolvidas no processo simulado, bem como as respectivas cons

tantes de equilbrio so mostradas na Tabela 5.3. Ao resolver H+ em (5.8), obtm-
se o pH da soluo neutralizada:
pH = log10
H+
(5.9)
Tabela 5.3: Constantes de equilbrio das reaes qumicas [5].

Reao qumica
Constante de equilbrio
Ka1
+
H2 CO3 HCO
3 + H
Ka2
2
+
HCO
3 CO3 + H
Kw
H2 O OH + H+
Ka1 = 4,47 107

Ka2 = 5,62 1011
Kw = 1,0 1014

As dependncias temporais de Wa4 , Wb4 e, consequentemente, H+ so omitidas
em (5.8) e (5.9) por simplicidade de notao.
De forma anloga a (5.6), o fluxo q4 modelado atravs de:

p
q4 (t) = Kq4 XLV (t) g hT1 (t),
(5.10)
em que Kq4 uma constante hidrulica e XLV a abertura da vlvula de controle

LV.
A abertura da vlvula LV em relao ao valor nominal XLVnom controlada
por um compensador PI, parametrizado por Kc(LIC) e Ti(LIC) , de modo a manter o
A descrio do mtodo de invariantes de reao est alm do escopo deste trabalho. Os traba-
lhos de Campos [15], Gustafsson e Waller [33], Henson e Seborg [41] e Sotomayor [72] so alguns
dos textos que tratam deste assunto.
88
nvel do tanque reator em hT1nom , a partir da condio inicial XLV (0) = XLVnom :

Z t
1
XLV (t) = Kc(LIC) hT1 (t) hT1nom +
(hT1 ( ) hT1nom ) d + XLV (0).
Ti(LIC) 0
(5.11)
Do balano de massa no tanque T1 resulta:
1
h T1 (t) =
(q1 (t) + q2 (t) + q3 (t) q4 (t)) ,
AT1
(5.12)
em que AT1 a rea do tanque T1 e a condio inicial de (5.12) dada por hT1nom .
Ao combinar o balano de massa no tanque reator com o conceito de invariantes de
reao segue que [15]:
3
a4 (t) =
W
X
1
qi (t) (Wai Wa4 (t))
AT1 hT1 (t) i=1
(5.13)
b4 (t) =
W
X
1
qi (t) (Wbi Wb4 (t)) .
AT1 hT1 (t) i=1
(5.14)
Note que em (5.13) e (5.14) os invariantes de reao Wai e Wbi das solues nos
fluxos qi (para i = 1, 2 e 3) so considerados constantes, entretanto possvel simular
mudanas na concentrao molar dos reagentes ao variar tais valores. A Tabela 5.4
contm a concentrao molark e os invariantes de reao dos fluxos q1 , q2 e q3 .
Tabela 5.4: Concentrao molar e invariantes de reao dos reagentes [5].
Fluxo
Concentrao molar
q1
3 103 M de H2 CO3
q2
3 102 M de NaHCO3
q3
3,05 103 M de NaOH e

5 105 M de NaHCO3
Invariantes de reao
Wa1 = 3 103 M
Wb1 = 0 M
Wa2 = 3 102 M
Wb2 = 3 102 M
Wa3 = 3,05 103 M

Wb3 = 5 105 M
Por fim, a sada da planta de neutralizao, representada por y(t), o pH

medido que, em relao expresso (5.9), inclui a dinmica med do elemento sensor
k
1M = 1
mol
m3 .
89
AE:
y(t) = med y(t)
+ pH(t).
(5.15)
Os demais parmetros empregados no simulador da planta de neutralizao

de pH, descrita atravs das expresses (5.6)-(5.15), so apresentados na Tabela 5.5.
Cabe mencionar que as constantes hidrulicas Kq3 e Kq4 so obtidas ao substituir
os valores nominais de operao da planta nas expresses (5.6) e (5.10).
O intervalo de integrao usado na resoluo das equaes diferenciais do simulador de 10ms. Com o mesmo perodo, o sinal do sensor de posio da vlvula
real amostrado e atribudo a XAV (t), depois de convertido para p.u. Para ensaios
em malha fechada, o sinal para o atuador da vlvula AV calculado pelo controlador AIC (ver Figura 5.11), em ambiente Matlab\Simulinkr . Nos experimentos em
Tabela 5.5: Valores dos parmetros da planta de neutralizao de pH.
Descrio
Smbolo
Valor
AT1
0,1 m2
hT1nom
0,1 m
AT2
0,5498 m2
hT2max
1m
Presso interna no tanque T2
PT2
Massa especfica das solues
1,2 106 mN2
kg
1000 m
3
Acelerao gravitacional
9,80665 sm2
Constante hidrulica da vlvula AV
Kq3
Constante hidrulica da vlvula LV
1,5189 107 sm
N
Kq4
rea da seco transversal do tanque T1

Nvel nominal do tanque T1
rea da seco transversal do tanque T2
Nvel mximo do tanque T2
1,5226 105 sm
N
Posio nominal de AV
XAVnom
0,6584 p.u.
Posio nominal de LV
XLVnom
0,5 p.u.
Vazo nominal de cido
q1nom
Vazo nominal de soluo tampo
1,22 104 ms
q2nom
Vazo nominal de base
q3nom
Constante de tempo do sensor de pH
1,1 104 ms
med
0,8s
pH nominal no tanque T1
pHnom
Ganho do controlador LIC
Kc(LIC)
0,1777
Tempo integral do controlador LIC
Ti(LIC)
26,5s
6,4 106 ms
90
malha aberta, o sinal de excitao aplicado ao atuador pneumtico da vlvula AV

via o conversor LY.
5.2.2
Estimao dos parmetros do modelo de Karnopp
Antes de aplicar o mtodo de identificao do conjunto atrito + processo,

os parmetros do modelo de atrito de Karnopp so estimados atravs do procedimento descrito na subseo 2.3.1, baseado na presso do atuador e na posio da
haste. Ao calcular o par (S, J) a partir do modelo de Karnopp usando expresses
de equivalncia [79]:
S=
Fs + Fc
Pat Ad
(5.16)
J=
Fs Fc
,
Pat Ad
(5.17)
os resultados obtidos de (5.16) e (5.17) servem de referncia para avaliar o modelo

de atrito estimado sem dispor de tais informaes. A Tabela 5.6 contm algumas
das especificaes da vlvula utilizada nos experimentos.
Devido ao elevado nvel de rudo nos clculos de x(k) e nfima influncia
exercida pelo termo m x(k) no balano de foras (2.8) [70], o vetor de parmetros
e o de regressores (k) em (2.12) so redefinidos:
=
(k) =
Fv Fc kmola
T
(5.18)
x(k)
sgn (x(k))
x(k)
T
(5.19)
Tabela 5.6: Especificaes da vlvula de controle [29] que integra a plataforma HIL.
rea do diafragma do atuador
Ad
Excurso da haste
Faixa de presso no atuador

Massa das partes mveis
Material das gaxetas
4,45 102 m2
2,8575 102 m
Pat
1,37895 105 mN2
1,6kg
grafite
91
A fim de coletar os dados de estimao envolvendo uma ampla regio de operao, excitou-se o atuador da vlvula com um sinal aleatrio de distribuio uniforme
entre 20% e 80% da faixa de valores admissveis. Cada valor mantido constante
por 2s. Os sinais de presso no atuador e de deslocamento da haste foram amostrados a uma frequncia de 1kHz para que a velocidade x(k)
pudesse ser calculada

com maior exatido.
A Figura 5.12 mostra a fora motriz Fext , a posio x da haste e a estimativa
x da velocidade, calculada numericamente atravs do mtodo descrito em Aguirre
[1]. Em linhas gerais, cada janela de nw pontos do vetor com medidas da posio
da haste aproximada por um polinmio px (k) de ordem nx . Com isso, a derivada
numrica de x(k) no ponto k = k0 dada por:

d
0 )
.
p(k)
x(k
dk
k=k0
(5.20)
Neste caso, como a frequncia de amostragem elevada quando comparada dinmica do atuador, ajustou-se uma reta (nx = 1) a cada janela de nw = 7 pontos.
A varivel auxiliar v(s) de valores candidatos a DV , definida em (2.13),
criada adotando S = 150 e Z = 250. A Figura 5.13 mostra o comportamento do
em funo dos diferentes valores de v. Note que as estimativas dos coefivetor
cientes referentes aos atritos de Coulomb Fc e viscoso Fv variam consideravelmente

quando v(s) < 103 m/s, ao passo que permanecem praticamente constantes com
os demais valores de v(s).
significativa o desvio-padro (s) elevado
Na regio em que a variao de
e o coeficiente de correlao R2 (s) pequeno (Figura 5.14). Estes resultados revelam
que os parmetros corretos pertencem regio na qual v(s) > 103 m/s. A escolha
realizada de modo a minimizar (s) e maximizar R2 (s). Este ponto
exata de
indicado por nas Figuras 5.13 e 5.14.
Uma vez estimado o vetor , resta calcular o coeficiente de atrito esttico Fs .
Para tanto, os instantes kb de iminncia de movimento breakaway so identificados
F e x t (k) [10 3 N]
92
6
4
2
x(k) [mm]
0
25
10
20
30
40
50
60
70
80
90
100
10
20
30
40
50
60
70
80
90
100
10
20
30
40
50
60
70
80
90
100
20
15
10
x(k)
[mm/s]
0
10
10
0
Tempo [s]
F v [10 4 Ns/m]
Figura 5.12: Dados usados na estimao dos parmetros do modelo de atrito de Karnopp.
10
k m o la [10 5 N/m]
F c [N]
0
0
800
600
400
200
0
2.08
2.06
2.04
2.02
2
0
v(s) [10 3 m/s]
Figura 5.13: Comportamento da estimativa dos parmetros de atrito de Karnopp para

diferentes valores de v.
93
(s)
400
200
R 2 (s)
0
0
1
0.9
0.8
0
v(s) [10 3 m/s]
Figura 5.14: Desvio-padro e coeficiente de correlao R2 das estimativas para diferentes

valores de v.
dentre os dados da Figura 5.12. Em seguida, para cada kb , Fs resolvido na expresso (2.17), que descreve o balano das foras que atuam na haste da vlvula
nos instantes de breakaway. A mdia das estimativas de Fs e os demais parmetros do modelo de atrito de Karnopp so apresentados na Tabela 5.7. Tambm so
mostrados S e J calculados a partir de (5.16) e (5.17).
Com o intuito de avaliar o desempenho do modelo de Karnopp e a validade
do modelo de Kano equivalente um conjunto de dados diferente do empregado no
clculo das estimativas usado para gerar simulaes da posio da haste. A Figura
5.15 revela que ambos os modelos so capazes de reproduzir a relao entre presso
no diafragma e posio.
Alm disso, a diferena entre as simulaes x(k) quase que imperceptvel.
Tabela 5.7: Estimativas dos parmetros do modelo de atrito de Karnopp e de Kano obtidos
pelas expresses de equivalncia.
Modelo de atrito
Karnopp
Kano
Parmetros
Fv
Fc
kmola
Fs
1,282 104 Ns/m
688N
2,07 105 N/m
818N
24,54%
2,12%
94
0.8
Medido
Karnopp
Kano
0.7
0.6
0.5
0.4
0.3
0
10
20
30
40
50
60
70
80
90
100
Tempo [s]
Figura 5.15: Validao cruzada dos modelos de Karnopp e de Kano.
Isto implica que, para a vlvula utilizada nos experimentos, perfeitamente vivel
aproximar o modelo de Karnopp pelo de Kano. Na Figura 5.16 mostrada a curva
x(k) = f (Fext (k)), tambm denominada curva de assinatura da vlvula (do Ingls,
valve signature). Note que tanto o modelo de Karnopp quanto o de Kano reproduzem
com exatido a histerese da vlvula.
Devido aos resultados apresentados, as estimativas S = 24,54% e J = 2,12%
(Tabela 5.7) so adotadas como referncias nas comparaes com as calculadas pelo
mtodo de identificao do conjunto atrito + processo analisado a seguir.
0.9
0.8
Karnopp
Kano
Medido
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.2
0.4
0.6
0.8
Figura 5.16: Relao entrada-sada (assinatura) da vlvula real e reproduzida pelos modelos
de Karnopp e de Kano.
5.2.3
95
Identificao da planta de neutralizao
Para que se possa escolher o perodo de amostragem Ts e gerar o sinal de teste

d(k), deve haver uma estimativa, mesmo que grosseira, do tempo de acomodao ts
da processo. Esta informao pode ser levantada com ensaios preliminares, ou ento,
a partir do conhecimento prvio da planta. Ao realizar testes em malha aberta com
variaes na forma de degraus prximas do ponto de operao, verifica-se um ganho
Kp 0,095 e ts 160s. Se a resposta do processo for aproximada pela de um
sistema linear de 1a ordem, obtm-se uma constante de tempo de 40s.
Uma alternativa, caso no seja possvel realizar experimentos em malha aberta,
inferir a constante de tempo dominante do processo, p , atravs da razo entre os
valores nominais do volume do tanque T1 e do somatrio dos fluxos que entram no
tanque:
p
AT1 hT1nom
= 42s.
q1nom + q2nom + q3nom
(5.21)
Note que a constante de tempo p , calculada em (5.21), praticamente a mesma

que foi estimada atravs da resposta ao degrau.
Segundo Tulleken [77], uma relao razovel para escolher o perodo de amostragem adotar Ts 0,1p . Logo, de acordo com (5.21), admite-se Ts = 4s. Durante
a realizao dos ensaios, um sinal GBN com tempo mdio em cada patamar de 80s
(Tsw = 20 Ts ) somado referncia r(k) que mantida constante em pHnom = 7
(ver Figura 5.10). O espectro do sinal de teste d(k) determinado ao escolher = 2
em (4.4), conforme discutido na seo 4.2. A magnitude de d(k) de 5% pHnom .
Com exceo do ensaio preliminar, todos os experimentos para a identificao
da planta de neutralizao so realizados em malha fechada. A malha de pH utiliza
um controlador PI, representado por AIC na Figura 5.11, cuja sintonia realizada
atravs do mtodo da Sntese Direta [10]. Este mtodo permite expressar os parmetros do controlador em funo de uma especificao da constante de tempo da
96
malha fechada mf :
p
Kp mf
= p ,
Kc(AIC) =
Ti(AIC)
(5.22)
(5.23)
em que Kc(AIC) e Ti(AIC) so o ganho e o tempo integral do controlador AIC.

Nas primeiras anlises, os dados so coletados com o controlador sintonizado
com a especificao: mf = 0,8p . A durao de cada experimento de 8000s (2000
pontos), de modo que uma das metades destinada estimao dos parmetros e
a outra reservada para a validao.
Estudo do efeito de perturbaes

Para avaliar o efeito de perturbaes do processo nos parmetros estimados,
a plataforma HIL identificada em quatro cenrios sujeitos a diferentes distrbios.
Tais cenrios so criados introduzindo rudo colorido nos valores nominais do fluxo
q1 e dos invariantes de reao Wa1 e Wb3 . A Tabela 5.8 apresenta o filtro e a varincia
do rudo branco e(k) (de mdia nula) que gera o distrbio somado a cada uma dessas
variveis.
Nos dois primeiros cenrios, indicados por 1 e 2, a vazo de cido q1 no sofre
alteraes durante o experimento. Por outro lado, em 3 e 4 so introduzidos distrbios em q1 , de modo que h um aumento de 100% na amplitude destas variaes
no cenrio 4 em relao ao 3. A intensidade das perturbaes em Wa1 e Wb3 so
multiplicadas respectivamente por cinco e por dois de 1 2. Do cenrio 3 para o 4,
os distrbios em ambos invariantes de reao so multiplicados por dois. O intuito
simular situaes sujeitas a nveis crescentes de perturbao.
Para dar uma ideia da magnitude dos distrbios simulados, as varincias de
e(k) no cenrio 3 (Tabela 5.8) produzem oscilaes em Wa1 , Wb3 e q1 de at 2,15%,
10,65% e 3,75%, respectivamente. Cabe ressaltar que as variaes em cada varivel
so geradas por realizaes distintas de e(k).
97
Tabela 5.8: Cenrios utilizados para avaliar a influncia de perturbaes nas estimativas
dos modelos.
Varivel
perturbada
Varincias de e(k) em cada cenrio

1
2
3
4
Filtro
0,2
10,8q 1
0,1
10,9q 1
0,0375
(10,75q 1 )(10,85q 1 )
q1
Wa 1
Wb3
2 105
4 105
2 109
1 108
1 108
2 108
5 1011
1 1010
1 1010
2 1010
O algoritmo baseado em otimizao para a busca do par (S, J) utilizado na

identificao do conjunto atrito + processo. Para tanto, os valores candidatos a S
so limitados por max(S) = 0,3. As demais parametrizaes do algoritmo so:
S = 0,02, lmax = 4, mmax = 9 e nc = 2.
A Tabela 5.9 apresenta os parmetros de atrito, os ndices F2 e rN , bem como
a classificao de G(q)
obtidos nos diferentes cenrios de perturbao. Entre parn j )| no ponto
teses, tambm mostrada a porcentagem de () em relao |G(e
mais crtico do intervalo [0; c ]. Os grficos de limite superior do erro de modelagem
obtidos durante os teste com a plataforma HIL esto dispostos no apndice B.
Tabela 5.9: Sntese dos resultados provenientes dos diferentes cenrios de perturbao.
Cenrio
S [%]
J [%]
rN [%]
Classificao de G(q)
F2 [%]
25,68
1,96
88,34
99,9537
A (13,55%)
25,67
1,94
87,08
99,9851
A (13,82%)
25,05
2,03
82,22
99,9852
B (31,77%)
24,50
2,23
72,89
99,9385
B (49,41%)
Assim como no exemplo numrico visto anteriormente (seo 5.1), em todos

os cenrios de perturbao considerados as estimativas de S e J esto bem prximas
dos valores obtidos na subseo 5.2.2. Este resultado refora a ideia de distrbios
externos no influenciarem a estimativa dos parmetros do modelo de atrito. Conforme mostrado na Figura 5.17, tal caracterstica tambm percebida quando
98
admitido J = 0, nas primeiras etapas do algoritmo de estimao. Note que o mnimo

do erro de simulao Ci ocorre para S entre 0,22 e 0,24, independentemente do nvel
de perturbao.
5
Cena rio
Cena rio
Cena rio
Cena rio
1
2
3
4
Ci
1
0.1
0.15
0.2
0.25
0.3
S [p.u.]
Figura 5.17: Comportamento do erro de simulao Ci calculado no passo (3) do algoritmo
4.2 em funo do parmetro S.
Outro aspecto a ser destacado a deteriorao do ndice F2 medida que a

intensidade dos distrbios aumenta. Este mesmo comportamento ocorre com a classificao do modelo do bloco linear, na regio de frequncias delimitada por [0; c ],
segundo o critrio do limite superior do erro de modelagem.
Em relao ao ajuste da curva esttica, como de se esperar, o menor coeficiente de correlao linear obtido na situao de maior perturbao. No entanto, as
estimativas f() do comportamento no-linear nos cenrios 2 e 3 so ligeiramente
melhores do que a encontrada no 1. A Figura 5.18 mostra f() para cada caso, em
comparao com a curva de titulao da planta de neutralizao. Apenas a faixa
em que h dados experimentais analisada.
Embora tenha sido verificada a influncia negativa dos distrbios sobre a estimativa do modelo de Wiener, baseado nas ferramentas de validao discutidas na
seo 4.4, pode-se dizer que modelos razoveis do conjunto atrito + processo foram estimados em todos os cenrios de perturbao. A seguir estudado como a
magnitude do sinal de teste pode influenciar os resultados.
pH
7.6
7.6
7.4
7.4
7.2
7.2
6.8
6.8
Cena rio 1
6.6
6.4
Cena rio 2
6.6
6.4
0.55
pH
99
0.6
0.65
0.7
0.55
0.6
0.65
7.6
7.6
Curva de titulac a o
7.4
7.4
f (w(k))
7.2
7.2
6.8
0.7
6.8
Cena rio 3
6.6
6.4
Cena rio 4
6.6
6.4
0.55
0.6
0.65
0.7
0.55
0.6
0.65
0.7
Figura 5.18: Estimativas da curva esttica nos diferentes cenrios de perturbao.
Influncia da magnitude do sinal de teste

Por um lado vantajoso aumentar a magnitude do sinal de teste para elevar
a relao sinal-rudo. Em contrapartida, ao excitar o processo em uma regio mais
ampla, os dados devem apresentar mais caracterticas no-lineares, podendo at
tornar o problema de identificao mais difcil de ser resolvido. A fim de estudar o
que ocorre com a qualidade dos modelos estimados quando se altera a magnitude
de d(k), adota-se o cenrio de perturbao 3 descrito na Tabela 5.8. O processo
excitado com trs intensidades: excitao natural, 2,5% pHnom e 10% pHnom .
O algoritmo de estimao executado com as parametrizaes empregadas anteriormente (pg. 97) proporciona os resultados resumidos na Tabela 5.10. Primeiramente destaca-se que, em qualquer um dos ensaios, os parmetros do modelo de
atrito no divergem mais de 4,5% em relao aos valores de referncia: S = 24,54%
e J = 2,12% (subseo 5.2.2). Portanto, pode-se dizer que as estimativas de S e J
independem da magnitude do sinal de teste, resultando inclusive em bons valores
mesmo no caso de excitao natural.
100
Tabela 5.10: Resultados obtidos ao variar a magnitude do sinal de teste d(k).

Magnitude de d(k)
S [%]
J [%]
rN [%]
Classificao de G(q)
0% pHnom
F2 [%]
25,35
2,17
40,85
97,5791
D (116,3%)
2,5% pHnom
24,38
2,21
59,33
99,2826
C (60,55%)
25,05
2,03
82,22
99,9852
B (31,77%)
25,35
2,18
85,62
99,1942
A (14,04%)
5% pHnom
10% pHnom
Todavia o mesmo no se aplica estimativa do modelo de Wiener. De acordo

com os ndices apresentados na Tabela 5.10, ao excitar a malha com um sinal de
magnitude 2,5% pHnom (ou inferior), o desempenho de G(q)

e de f() drasticamente comprometido. Este resultado ainda mais explcito ao comparar a sada dos
modelos estimados com o pH da plataforma HIL (Figura 5.19).
H basicamente dois aspectos que justificam esta caracterstica: em primeiro
lugar, reduzir a magnitude do sinal d(k) implica em piorar a relao sinal-rudo.
Alm disso, devido ao atrito elevado na vlvula, variaes menores na sada do controlador resultam em menos variaes na entrada do processo, comprometendo a
persistncia de excitao [1, 58] dos dados utilizados na estimao do modelo de
Wiener.
Como pode ser verificado na Figura 5.19, as variaes no pH do processo so
proporcionais amplitude do sinal de teste d(k). Em outras palavras, quanto menor
a magnitude da excitao, menor a presena de informaes dinmicas nos dados
experimentais. A classificao dos modelos G(q),

baseada na relao entre () e
j )|, apresentada na Tabela 5.10, tambm reflete este comportamento.
|G(e
Outro aspecto interessante o experimento com d(k) = 10% pHnom gerar um
ndice rN pior do que em outros casos onde a magnitude do sinal de teste menor.
Isto ocorre porque apenas a faixa onde h dados considerada para o clculo de rN .
Portanto, ensaios restritos a uma faixa menor podem, eventualmente, proporcionar
um ndice de correlao linear maior, apesar de no reproduzirem to bem a curva
esttica em uma regio especfica. A Figura 5.20 confirma tal justificativa. Enquanto
101
7.4
(a)
HIL
modelo
pH
7.2
7
pH
6.8
7.5
(b)
6.5
8
pH
(c)
7
6
10
pH
(d)
8
6
0
1000
2000
3000
4000
Tempo [s]
Figura 5.19: Dados da plataforma HIL e estimativa do pH dos modelos obtidos com d(k)
de diferentes magnitudes: (a) 0% pHnom (excitao natural), (b) 2,5% pHnom , (c) 5%
pHnom e (d) 10% pHnom .
o ensaio gerado sem nenhum sinal de teste (excitao natural) revela pouco a respeito
da curva esttica, a estimativa gerada no experimento excitado com amplitude 10%
pHnom a que melhor aproxima a curva de titulao do processo, especialmente nas
faixas onde so realizados os demais testes.
Em suma, os resultados obtidos ao variar a magnitude do sinal de teste sugerem que quanto maiores as variaes em d(k), melhor a qualidade dos modelos
estimados. Naturalmente, na prtica tal escolha envolve a considerao de restries
operacionais.
Em alguns trabalhos que tambm identificam os modelos do atrito e do processo [23, 45, 73], argumenta-se que possvel quantificar o atrito em vlvulas de
controle sem recorrer a sinais de excitao externos. Os resultados apresentados
102
8.5
pH
7.5
7.5
0pH n o m
6.5
0.5
pH
8.5
f ()
0.55
0.6
0.65
0.7
0.75
0.5
8.5
8.5
7.5
7.5
5pH n o m
6.5
0.5
0.55
0.6
0.65
0.7
2, 5pH n o m
6.5
0.55
0.6
0.7
0.75
10pH n o m
6.5
0.75
0.65
0.5
0.55
0.6
0.65
0.7
0.75
Figura 5.20: Estimativas do comportamento no-linear ao variar a magnitude de d(k).
anteriormente revelam que embora os parmetros S e J tenham sido estimados com

boa exatido, no h como valid-los nos casos onde a magnitude de d(k) seja menor, pois o modelo do processo compromete a estimativa de y(k), empregada no
clculo do limite superior do erro de modelagem e nos ndices F2 e rN .
Efeito da sintonia do controlador nos parmetros estimados
Segundo Uehara [78], alguns mtodos de quantificao do atrito em vlvulas de
controle propostos na literatura [22, 39] so sensveis sintonia do controlador, pois
estes mtodos no so capazes de distinguir as oscilaes provocadas pelo atrito das
geradas por controladores mal sintonizados. Com o intuito de avaliar o algoritmo
de estimao do conjunto atrito + processo em tais circunstncias, o ganho Kc(AIC) ,
definido em (5.22), variado adotando outras trs especificaes para a constante
de tempo dominante de malha fechada: mf = p , mf = 0,5p e mf = 0,2p . Os
distrbios do cenrio 3 (Tabela 5.8) so adotados para simular perturbaes do
processo e a magnitude do sinal de excitao mantida em 5% pHnom .
103
Como pode ser visto na Figura 5.21 o processo apresenta um comportamento

mais oscilatrio, medida que a sintonia do controlador se torna mais agressiva. A
estimativa do pH tambm mostrada em cada caso, para que se possa visualizar o
ajuste dos modelos aos dados experimentais.
(a)
HIL
modelo
pH
7.5
7
6.5
8
(b)
pH
7.5
7
6.5
9
pH
(c)
8
7
pH
(d)
7
6
0
1000
2000
3000
4000
Tempo [s]
Figura 5.21: Dados de experimentos gerados ao variar o ganho do controlador de acordo

com as especificaes: (a) mf = p , (b) mf = 0,8p , (c) mf = 0,5p e (d) mf = 0,2p .
Os ndices que medem o desempenho dos modelos estimados so apresentados

na Tabela 5.11. De uma forma geral, as estimativas do par (S, J) so similares em
relao s obtidas anteriormente. Embora a sintonia mf = 0,2p resulte em um J
mais distante (13,7%) do valor de referncia (subseo 5.2.2), ressalta-se que esta
divergncia no significativa, pois: (1) a contribuio de J menor em relao
de S e (2) a diferena S J equivalente s encontradas com as demais sintonias.
No se pode negar que h uma variao mais pronunciada nos valores dos
104
Tabela 5.11: Efeito da sintonia do controlador nos modelos estimados.
Sintonia
S [%]
J [%]
F2 [%]
rN [%]
Classificao de G(q)
mf = p
25,48
2,20
81,17
99,9108
B (31,92%)
mf = 0,8p
25,05
2,03
82,22
99,9852
B (31,77%)
mf = 0,5p
26,19
2,12
87,90
99,6816
B (27,70%)
mf = 0,2p
23,59
1,83
72,23
99,8725
B (24,42%)
parmetros de atrito do que a percebida nos testes realizados at este momento.

Todavia, esta variao bem menor do que a apresentada por outros mtodos [22,
39], onde mudanas menores no ganho do controlador geram erros de at 38,55%
[78]. Logo, os resultados levam a crer que o mtodo de quantificao de atrito deste
trabalho mais robusto quando aplicado a malhas cujas oscilaes tambm sejam
devidas sintonia inadequada do controlador.
No que se refere estimativa do modelo do processo, a despeito da sintonia
empregada, os ndices F2 e rN , assim como a classificao segundo o critrio baseado
no limite superior do erro de modelagem revelam resultados semelhantes. A seguir
so discutidos alguns aspectos relacionados s informaes da Tabela 5.11:
Quando a sintonia muito agressiva (mf = 0,2p ), h degradao no ndice
F2 . Isto pode ser explicado pelo fato do ensaio revelar poucas informaes do
regime esttico (Figura 5.21). Com isso, a estimativa f() da curva esttica,
mostrada na Figura 5.22, tambm comprometida;

Devido amplitude de valores alcanados, visivelmente maior que as apresentadas pelos demais ensaios (Figura 5.22), o experimento cujo controlador
sintonizado a partir de mf = 0,5p proporciona o pior ndice de correlao
linear rN . Alm disso, como pode ser verificado na Figura 5.21, as discrepnias
so maiores na regio em que pH > 8, pois: (1) h poucas amostras e (2) a
curva de titulao varia substancialmente. Entretanto, se considerada apenas
a faixa onde a maioria dos dados est concentrada (6,4 < pH < 8), o ajuste
da curva esttica to bom quanto o obtido com outras sintonias.

8.5
8
105
8.5
pH
f ()
7.5
7.5
m f = p
6.5
pH
0.55
0.6
0.65
0.7
0.55
8.5
8.5
7.5
7.5
m f = 0, 5 p
6.5
0.55
0.6
0.65
0.7
m f = 0, 8 p
6.5
0.6
0.65
0.7
m f = 0, 2 p
6.5
0.55
0.6
0.65
0.7
Figura 5.22: Ajuste da curva esttica dos experimentos realizados ao variar a sintonia do
controlador AIC.
Vantagens da estrutura Hammerstein-Wiener

Como dito anteriormente (captulo 4), a estrutura composta por um modelo
de atrito parametrizado pelo par (S, J) e uma dinmica linear empregada por
outros autores [23, 45] para representar a associao entre atrito e processo. A
rigor, de acordo com a estrutura que denota o modelo do processo: linear ou nolinear (Wiener), esta associao pode ser vista como um modelo de Hammerstein
(N L) ou Hammerstein-Wiener (N1 L N2 ).
Alm de prover uma estimativa do comportamento esttico, argumentou-se na
seo 4.1 que a adoo de uma estrutura de Wiener tem por objetivo impedir que
no-linearidades comprometam a quantificao do atrito e minimizar problemas de
polarizao ao estimar o modelo do processo. Com o propsito de avaliar a eficcia
J e do ndice F2 obtidos ao modelar o processo
desta estratgia, os valores de S,
com uma estrutura ARMAX so comparados aos verificados ao variar a magnitude
do sinal de teste.
106
A ideia de variar o sinal de teste efetuar a comparao nos seguintes contex-
tos: (1) excitao natural que de grande interesse prtico, (2) diferentes relaes
sinal-rudo e (3) faixa de operao mais ampla, no caso de 10% pHnom . A Tabela
5.12 apresenta os resultados obtidos ao representar o processo por uma estrutura
J e
linear. Para facilitar as comparaes, tambm so mostradas as estimativas S,
o ndice F2 verificados para um modelo de processo no-linear (Tabela 5.10).
A anlise dos resultados na Tabela 5.12 sintetizada nos seguintes aspectos:
Para o caso de excitao natural os nveis de atrito quantificados so notadamente distintos. Alm da pequena relao sinal-rudo, outra provvel justificativa o fato do modelo de perturbaes da estrutura ARMAX no ser
apropriado para a planta considerada, pois sabe-se que a combinao de tais
fatores causam estimativas polarizadas, principalmente se os dados forem coletados com o sistema operando em malha fechada [30, 58];
Nos experimentos com excitao de 2,5% e 5% do pH nominal os parmetros de atrito assemelham-se aos estimados nos demais testes. Entretanto, a
diferena nos ndices F2 mostra uma clara vantagem em modelar o processo
com uma estrutura no-linear;
Quando os dados so gerados com um sinal d(k) de magnitude 10% pHnom ,
a regio de operao aumenta consideravemente. Neste caso, os dados contm
Tabela 5.12: Comparativo entre os resultados obtidos ao representar o processo por uma
estrutura linear (ARMAX) e no-linear (Wiener).
Magnitude
de d(k)
S [%]
0% pHnom
Linear
J [%] F2 [%]
No-linear
S [%] J [%] F2 [%]
16,35
2,10
9,171
25,35
2,17
40,85
2,5% pHnom
23,53
1,92
46,18
24,38
2,21
59,33
24,70
2,05
58,96
25,05
2,03
82,22
19,97
2,04
50,65
25,35
2,18
85,62
5% pHnom
10% pHnom
107
mais informaes acerca do comportamento no-linear da planta de neutralizao de pH. Como a estrutura ARMAX no capaz de reproduzir tais
caractersticas, h uma degradao tanto no modelo de atrito quanto no do
processo.
De fato, as comparaes efetuadas revelam vantagens significativas em aproximar o conjunto atrito + processo por uma estrutura de Hammerstein-Wiener. A fim
de mostrar tal vantagem graficamente, a Figura 5.23 apresenta o pH da plataforma
HIL e os reproduzidos pelos modelos estimados quando o processo representado
por uma estrutura linear (ARMAX) e no-linear (Wiener). Todavia, como a curva
esttica da planta de neutralizao de pH varia substancialmente, ressalta-se que no
caso de processos em que a no-linearidade seja menos evidente de se esperar que
os proporcionados por modelos de Wiener tendam a ser menos expressivos.
108
(a)
7.2
pH
7.1
7
6.9
6.8
(b)
pH
7.4
7.2
7
6.8
na o-l i ne ar
l i ne ar
HI L
(c )
pH
7.5
6.5
9
(d)
8.5
pH
8
7.5
7
6.5
6
0
1000
2000
3000
Te mp o [ s]
Figura 5.23: Comparao do pH reproduzido por modelos do processo linear e no-linear

identificados com as seguintes magnitudes de d(k): (a) 0% pHnom (excitao natural), (b)
2,5% pHnom , (c) 5% pHnom e (d) 10% pHnom .
Captulo 6
Concluses e sugestes para
trabalhos futuros
Os aspectos mais relevantes referentes s analises realizadas foram apontados
medida que os resultados eram apresentados. Portanto, neste captulo pretendese apenas enfatizar as principais concluses. Em seguida, tambm so sugeridas
algumas possibilidades para dar continuidade ao tema abordado neste trabalho.
6.1
Concluses gerais
Duas formas de estender o mtodo de quantificao de atrito e identificao
do processo desenvolvido por Srinivasan et al. [73] foram propostas, de modo que o
conjunto atrito + processo representado por um modelo de Hammerstein-Wiener.
Na primeira os parmetros de atrito (S e J) so determinados por busca exaustiva,
ao passo que na segunda so calculados por otimizao.
Os algoritmos desenvolvidos foram primeiramente testados com dados totalmente simulados e verificou-se que ambos proporcionam resultados similares. Entretanto, o algoritmo baseado em otimizao demanda um esforo computacional
significativamente menor. Em seguida, apenas a abordagem baseada em otimizao foi usada em uma plataforma hbrida (HIL), na qual uma vlvula de controle
integrada em tempo real com um modelo fenomenolgico de uma planta no-linear.
109
110
Concluses e sugestes para trabalhos futuros

A despeito de se variar a intensidade dos distrbios do processo, a magnitude
do sinal de teste ou a sintonia do controlador, as estimativas dos parmetros do modelo de atrito so bem prximas de valores de referncia, calculados por um mtodo
alternativo, baseado na informao da posio da haste da vlvula. Este fato revela
uma importante vantagem do algoritmo empregado em relao a outras tcnicas de
quantificao de atrito [22, 39, 50], cujos resultados so influenciados pela sintonia
do controlador.
Com relao identificao do modelo do processo, como de se esperar, os
resultados mostraram que as perturbaes no medidas degradam a estimativa do
modelo de Wiener, especialmente do bloco dinmico linear. Tambm observou-se
que a estimativa do modelo do processo melhora quando cresce a relao sinal-rudo
nos dados.
Diferentemente de outros trabalhos [23, 45], no presente desenvolvimento
dada igual importncia identificao dos modelos de atrito e do processo. Todavia,
mesmo que se esteja interessado apenas na quantificao do atrito, vital que se
obtenha um bom modelo do processo, caso contrrio no possvel validar o atrito
quantificado atravs de simulaes. Este fato, associado aos resultados obtidos, revelam a importncia de se utilizar uma excitao externa durante o experimento para
coleta de dados, descartada pelos autores dos trabalhos supracitados.
Outra importante vantagem obtida ao modelar o processo com uma estrutura
no-linear permitir que o comportamento estacionrio seja melhor estimado. Nos
testes com a plataforma HIL verificou-se um bom ajuste da curva esttica, desde
que a malha de controle seja suficientemente excitada, em outras palavras, a relao
sinal-rudo deve ser a maior possvel. A estimativa do comportamento esttico pode
ser aplicada no projeto de estratgias de controle no-linear [33, 72].
A relao entre o mdulo da resposta em frequncia e a estimativa do limite
superior do erro de modelagem usada como uma ferramenta complementar na anlise e validao do bloco dinmico linear. Tal ferramenta proporciona informaes
6.2 Sugestes para trabalhos futuros
111
relativas qualidade do modelo no domnio da frequncia, muito til no projeto de

sistemas de controle robustos. Outra aplicao auxiliar na escolha de um novo sinal
de teste capaz de excitar o sistema em frequncias nas quais o modelo deficiente.
Contudo, a estimativa deste limite superior baseada em diversas aproximaes e,
portanto, deve ser usada criteriosamente.
A princpio, os algoritmos desenvolvidos neste trabalho podem ser diretamente
aplicados a situaes reais. Entretanto, alguns aspectos prticos podem trazer certas
dificuldades:
Caso os dados da sada do controlador estejam armazenados em unidades de
engenharia, necessrio normaliz-los, uma vez que a entrada do modelo de
atrito admite apenas valores entre 0 e 1;
Quando o processo apresentar atraso de transporte (tempo morto), o algoritmo
proposto poderia ser executado admitindo atrasos arbitrrios de nk amostras;
O perodo de amostragem deve ser suficientemente curto para que o sinal amostrado retenha as caracteristicas dinmicas do processo, se esta condio no
for satisfeita, devido a limitaes em sistemas de aquisio e armazenamento
dos dados, os resultados podem ser severamente deteriorados.
6.2
Sugestes para trabalhos futuros

A seguir so sugeridas algumas perspectivas de extenso deste trabalho:
Estudo de tcnicas de compensao simultnea do atrito no atuador (vlvula)

e da caracterstica no-linear do processo. Uma primeira ideia integrar a
estrutura de pr-alimentao para compensao de atrito proposta por [39]
com estratgias de escalonamento de ganho. Tcnicas baseadas em linearizao
por realimentao da sada tambm poderiam ser utilizadas;
112
Concluses e sugestes para trabalhos futuros
Em muitos casos, algumas das perturbaes tambm so medidas. Em tais

situaes a generalizao dos algoritmos estudados para o caso multivarivel
de grande interesse. Para o caso da planta de neutralizao, por exemplo, se
o fluxo de soluo cida fosse medido, um modelo MISO (do Ingls, Multiple
Input and Single Output) poderia ser estimado;
No captulo 4 o sinal de teste foi projetado considerando apenas a identificao
do modelo do processo e por convenincia a excitao externa foi introduzida
no valor de referncia da malha. At onde se sabe, o projeto de experimentos
para a quantificao dos parmetros de modelos de atrito um problema em
aberto;
O conceito de separar a identificao de um sistema em um problema caixabranca e outro caixa preta poderia ser aplicado a outras no-linearidades
como zona-morta, saturao, entre outras;
Por fim, uma extenso natural deste trabalho seria a aplicao dos algoritmos
desenvolvidos a dados de processos reais.
[1] Aguirre, L. A. Introduo Identificao de Sistemas. UFMG, Belo Horizonte,
2a edio, 2004.
[2] Aguirre, L. A. A nonlinear correlation function for selecting delay time. Physics
Letters A, 203:8894, 1995.
[3] Aguirre, L. A.; Coelho, M. C. S.; Corra, M. V. On the interpretation and
practice of dynamical differences between Hammerstein and Wiener models.
IEE Proceedings, Part D: Control Theory & Applications, 152(4):349356, 2005.
[4] Altpeter, F. Friction modeling, identification and compensation. PhD thesis,
Ecole Polytechnique Federale de Lausanne, Department de Genie Mecanique,
1999.
[5] Alvarez, H.; Londoo, C.; di Sciascio, F.; Carelli, R. pH Neutralization process
as a benchmark for testing nonlinear controllers. Industrial & Engineering
Chemistry Research, 40(11):24672473, 2001.
[6] Armstrong-Hulovry, B.; Dupont, P.; Canudas de Wit, C. A survey of models, analysis tools and compensation methods for the control of machines with
friction. IEEE Transactions on Automatic Control, 30(7):10831138, 1994.
[7] Bai, E. W. Identification of linear systems with hard-input nonlinearities of
known structure. Automatica, 38:853860, 2002.
[8] Bai, E. W. Frequency domain identification of Wiener models. Automatica, 39:
15211530, 2003.
[9] Barenthin, M. On input design in system identification for control. PhD thesis,
KTH School of Electrical Engineering, Stockholm, Sweden, 2006.
113
114
[10] Bequette, B. W. Process Dynamics: Modeling, Analysis, and Simulation. Prentice Hall, Upper Saddle River, NJ, 2003.
[11] Besanon-Voda, A.; Blaha, P. Describing function approximation of a tworelay system configuration with application to Coulomb friction identification.
Control Engineering Practice, 10:655668, 2002.
[12] Bialkowski, W. L. Dreams vs. reality: A view from both sides of the gap. In
Control Systems, p. 283294, Wistler, BC, Canada, 1992.
[13] Billings, S. A. Identification of nonlinear systems - A survey. IEE Proceedings,
Part D, 127(6):272285, 1980.
[14] Billings, S. A.; Fakhouri, S. Y. Identification of systems containing linear dynamic and static nonlinear elements. Automatica, 18(1):1526, 1982.
[15] Campos, R. C. C. Projeto e construo de planta piloto de neutralizao de
pH e proposta de metodologia para incorporao de informaes auxiliares na
identificao NARX racional. Dissertao de mestrado, Centro Universitrio
do Leste de Minas Gerais, Cel. Fabriciano, MG, 2007.
[16] Canudas de Wit, C.; Olsson, H.; strm, K. J.; Lischinsky, P. A new model
for control of systems with friction. IEEE Transactions on Automatic Control,
40:419425, 1995.
[17] Cervantes, A. L.; Agamennoni, A. E.; Figueroa, J. L. A nonlinear model predictive control system based on Wiener piecewise linear models. Journal of
Process Control, 13:655666, 2003.
[18] Cheok, K. C.; Hu, H. -X.; Loh, N. K. Modeling and identification of a class
of servomechanism systems with stick-slip friction. Transactions of the ASME,
110:324328, 1988.
[19] Chou, C. T.; Verhaegen, M. An indirect approach to closed-loop identification
of Wiener models. In Proceedings of the American Control Conference, Hyatt
Regency San Diego, California, USA, June 1999.
115
[20] Choudhury, M. A. A. S.; Thornhill, N. F.; Shah, S. L. A data-driven model for

valve stiction. In Proceedings of the 5th IFAC Symposium on Advanced Control
of Chemical Process (ADCHEM), Hong-Kong, January 11-14 2003.
[21] Choudhury, M. A. A. S.; Thornhill, N. F.; Shah, S. L. Modeling valve stiction.
Control Engineering Practice, 13:641658, 2005.
[22] Choudhury, M. A. A. S.; Thornhill, N. F.; Shah, S. L.; Shook, D. S. Automatic
detection and quantification of stiction in control valves. Control Engineering
Practice, 16:13951412, 2006.
[23] Choudhury, M. A. A. S.; Jain, M.; Shah, S. L.; Shook, D. S. Stiction - definition,
modelling, detection and quantification. Journal of Process Control, 18:232
243, 2008.
[24] Coelho, M. C. S. Modelos de Hammerstein e de Wiener: conexes com modelos
NARX e sua aplicao em identificao de sistemas no-lineares. Dissertao
de mestrado, Universidade Federal de Minas Gerais, Belo Horizonte, MG, 2002.
[25] Desborough, L.; Miller, R. Increasing customer value of industrial control performance monitoring - Honeywells experience. In Proceedings of the 6th International Conference on Chemical Process, CPC - VI, p. 169189, Tucson,
USA, 2001.
[26] Dupont, P. Avoiding stick-slip through PD control. IEEE Transactions on
Automatic Control, 39:10941097, 1994.
[27] Dupont, P.; Hayward, V.; Armstrong, B.; Altpeter, F. Single state elastoplastic
friction models. IEEE Transactions on Automatic Control, 47(5):787792, 2002.
[28] Type 657 Diaphragm Actuator, Sizes 30-70 and 87, Instruction Manual - Form
1900. Fisher Controls International, February 2007.
[29] Design ET, EAT, and ETR Sliding-Stem Controls Valves, Product Bulletin 51.1:ET. Fisher Controls International, April 2007.
[30] Forssell, U. Closed-loop Identification: Methods, Theory, and Applications. Licentiate thesis no. 566, Department of Electrical Engineering, Linkping University, Linkping, Sweden, Mar 1999.
116
[31] Garcia, C. Comparison of friction models applied to a control valve. Control

Engineering Practice, 16(10):12311243, 2008.
[32] Golub, G. H.; Pereyra, V. The differentiation of pseudo-inverses and nonlinear
least squares problems whose variables separate. SIAM Journal on Numerical
Analysis, 10(2):413432, 1973.
[33] Gustafsson, T. K.; Waller, K. V. Dynamic modeling and reaction invariant
control of pH. Chemical Engineering Science, 38(3):389398, 1983.
[34] Gmez, J. C.; Baeyens, E. Hammerstein and Wiener model identification using
rational orthonormal bases. Latin American Applied Research, 33(4):449456,
2003.
[35] Haessig, D. P.; Friedland, B. On the modeling and simulation of friction. ASME
Journal of Dynamic Systems, Measurement and Control, 113:354362, 1991.
[36] Hagenblad, A. Aspects of the Identification of Wiener Models. Licentiate thesis
no. 793, Department of Electrical Engineering, Linkping University, Linkping,
Sweden, Nov 1999.
[37] Hagenblad, A. Initialization and model reduction for Wiener model identification. In Proceedings of the 7th Mediterranean Conference on Control and
Automation (MED99), Haifa, Israel, 1999.
[38] Hagenblad, A.; Ljung, L.; Wills, A. Maximum likelihood identification of Wiener models. Automatica, 44:26972705, 2008.
[39] Hgglund, T. Automatic on-line estimation of backlash in control loops. Journal
of Process Control, 17:489499, 2007.
[40] Haykin, S. Redes Neurais: Princpios e Prtica. Bookman, Porto Alegre, 2a
edio, 2001.
[41] Henson, M.; Seborg, D. Adaptive nonlinear control of a pH neutralization
process. IEEE Transactions on Control Systems Technology, 2:169182, 1994.
[42] Hjalmarsson, H.; Gevers, M.; F., De Bruyne. For model-based control design,
closed-loop identification gives better performance. Automatica, 32(12):1659
1673, 1996.
117
[43] Hsu, J. T.; Ngo, K. D. T. A Hammerstein-based dynamic model for hysteresis

phenomenon. IEEE Transactions on Power Electronics, 12:406413, 1997.
[44] Jelali, M. An overview of control performance assessment technology and industrial applications. Control Engineering Practice, 14:441466, 2006.
[45] Jelali, M. Estimation of valve stiction in control loops using separable leastsquares and global search algorithms. Journal of Process Control, 18:632642,
2008.
[46] Johannes, V. I.; Green, M. A.; Brockley, C. A. The role of the rate of application
of the tangential force in determining the static friction coefficient. Wear, 24:
381385, 1973.
[47] Jurado, F. A method for identification of solid oxide fuel cells using a Hammerstein model. Journal of Power Sources, 154:145152, 2006.
[48] Kaiyhan, A.; Doyle III, F. J. Friction compensation for a process control valve.
Control Engineering Practice, 8(7):799812, 2000.
[49] Kalafatis, A.; Wang, L.; Cluett, W. R. Identification of Wiener-type nonlinear
systems in a noise environment. International Journal of Control, 66(6):923
941, 1997.
[50] Kano, M.; Hiroshi, M.; Kugemoto, H.; Shimizu, K. Practical model and detection algorithm for valve stiction. In Proceedings of the 7th IFAC Symposium on
dynamics and control of process systems (DYCOPS), Cambridge, MA, USA,
July 5-7 2004.
[51] Karnopp, D. Computer simulation of stick-slip friction in mechanical dynamic
systems. Transactions of the ASME - Journal of Dynamic Systems, Measurement and Control, 107(1):100103, 1985.
[52] Kim, M. S.; Chung, S. C. Friction identification of ball-screw driven servomechanisms through the limit cycle analysis. Mechatronics, 16:131140, 2006.
[53] Kirk, D. E. Optimal control theory: An Introduction. Prentice Hall, 1970.
118
[54] Lagarias, J. C.; Reeds, J. A.; Wright, M. H.; Wright, P. E. Convergence properties of the Nelder-Mead Simplex method in low dimensions. SIAM Journal
on Optimization, 9(1):112147, 1998.
[55] Lampaert, V.; Swevers, J.; Al-Bender, F. Modification of the leuven integrated
friction model structure. IEEE Transactions on Automatic Control, 47:683687,
2002.
[56] Lancaster, P.; alkauskas, K. Curve and Surface Fitting: An introduction.
Academic Press, London, 1986.
[57] Ljung, L. Asymptotic variance expressions for identified black-box transfer
function models. IEEE Transactions on Automatic Control, 30(9):834941,
1985.
[58] Ljung, L. System Identification: theory for the user. Prentice Hall, Upper
Saddle River, NJ, 2nd edition, 1999.
[59] Ljung, L. Identification for control - What is there to learn. Technical Report
LiTH-ISY-R-1996, Dept of EE. Linkping University, Jan 1998.
[60] Ljung, L. Perspectives on system identification. In Proceedings of the 17th
IFAC World Congress, Seoul, Korea, July 6-11 2008.
[61] Ljung, L. System Identification Toolbox 7.1 - Users Guide. The MathWorks,
Inc., September 2007.
[62] Ninness, B.; Wills, A. An identification toolbox for profiling novel techniques.
In Proceedings of the 16th IFAC symposium on system identification, 2006.
[63] Norquay, S. J.; Palazoglu, A.; Romagnoli, A. Application of Wiener model
predictive control (WMPC) to an industrial C2-splitter. Journal of Process
Control, 9:461473, 1999.
[64] Pearson, R. K. Selecting nonlinear model structures for computer control.
Journal of Process Control, 13:126, 2003.
[65] Pearson, R. K.; Pottmann, M. Gray-box identification of block-oriented nonlinear models. Journal of Process Control, 10:301315, 2000.
119
[66] Ravanbod-Shirazi, L.; Besanon-Voda, A. Friction identification using the Karnopp model, applied to an electropneumatic actuator. Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering, 217(2):123138, 2003.
[67] Rinehart, N. F. A different perspective on plant reliability: Improve reliability by improving process control. In Proceedings of the 61th Instrumentation
Symposium for the Process Industries, 2006.
[68] Rizos, D. D.; Fassois, S. D. Maxwell slip model based identification and control of systems with friction. In Proceedings of the 44th IEEE Conference on
Decision and Control, Seville, Spain, Dec 12-15 2005.
[69] Romano, R. A.; Garcia, C. Comparision between two friction model parameter
estimation methods applied to control valves. In Proceedings of the 8th IFAC
Symposium on dynamics and control of process systems (DYCOPS), Cancn,
Mexico, June 6-8 2007.
[70] Romano, R. A.; Garcia, C. Karnopp friction model identification for a real
control valve. In Proceedings of the 17th IFAC World Congress, Seoul, Korea,
July 6-11 2008.
[71] Romano, R. A.; Garcia, C. Valve friction and nonlinear process model closedloop identification. In Proceedings of the 7th IFAC International Symposium
on Advanced Control of Chemical Processes (ADCHEM), 2009.
[72] Sotomayor, O. A. Z. Modelagem, simulao e controle de um processo de neutralizao de pH. Dissertao de mestrado, Escola Politcnica da Universidade
de So Paulo, So Paulo, SP, 1997.
[73] Srinivasan, R.; Rengaswamy, R.; Narasimhan, S.; Miller, R. Control loop performance assessment. 2. Hammerstein model approach for stiction diagnosis.
Industrial & Engineering Chemistry Research, 44(17):67196728, 2005.
[74] Stenman, A.; Gustafsson, F.; Forsman, K. A segmentation-based method for
detection of stiction in control valves. International Journal of Adaptive Control
and Signal Processing, 17:625634, 2003.
120
[75] Swevers, J.; Al-Bender, F.; Ganseman, C. G.; Prajogo, T. An integrated friction model structure with improved presliding behavior for accurate friction
compensation. IEEE Transactions on Automatic Control, 45(4):675686, 2000.
[76] Tjrnstrm, F. Variance expressions and model reduction in system identification. Licentiate thesis no. 730, Department of Electrical Engineering, Linkping
University, Linkping, Sweden, Feb 2002.
[77] Tulleken, H. J. A. F. Generalized binary noise test-signal concept for improved
identification-experiment design. Automatica, 26(1):3749, 1990.
[78] Uehara, D. Deteco e quantificao de atrito em vlvulas de controle. Dissertao de mestrado, Escola Politcnica da Universidade de So Paulo, So
Paulo, SP, 2009.
[79] Uehara, D.; Garcia, C.; Romano, R. Comparao e equivalncia dos modelos
de atrito de Kano e Karnopp aplicados a vlvulas de controle. In Anais do 17th
Congresso Brasileiro de Automatica, Juiz de Fora, Brasil, Set 14-17 2008.
[80] Van den Bosch, P. P. J.; Van der Klauw, A. C. Modeling, Identification and
Simulation of Dynamical Systems. CRC Press, 1994.
[81] Vrs, J. Parameter identification of Wiener systems with discontinuous nonlinearities. Systems & Control Letters, 44:363372, 2001.
[82] Vrs, J. Identification of nonlinear dynamic systems using extended Hammerstein and Wiener models. Control-Theory and Advanced Technology, 10(4):
12031212, 1995.
[83] Wahlberg, B. Model reduction of high order estimated models: the asymptotic
ML approach. International Journal of Control, 49(1):169192, 1989.
[84] Walters, F. H.; Morgan, S. L.; Deming, S. N.; Parker, L. R. Sequential simplex
optimization: A Technique for Improving Quality and Productivity in Research,
Development, and Manufacturing. CRC Press, Boca Raton, 1991.
[85] Westwick, D. T.; Verhaegen, M. Identifying MIMO Wiener systems using subspace model identification methods. Signal Processing, 52(2):235258, 1996.
121
[86] Wigren, T. Recursive prediction error identification using the nonlinear Wiener
model. Automatica, 29(4):10111025, 1993.
[87] Yuan, H.; Westwick, D. T.; Ingenito, E. P.; Lutchen, K. R. Parametric and
nonparametric nonlinear system identification of lung tissue strip mechanics.
Annals of Biomedical Engineering, 27:548562, 1999.
[88] Zhu, Y. Identification of Hammerstein models for control using ASYM. International Journal of Control, 73(18):16921702, 2000.
[89] Zhu, Y. Multivariable System Identification for Process Control. Elsevier Science, Oxford, 2001.
[90] Zhu, Y. Estimation of an N-L-N Hammerstein-Wiener model. Automatica, 38:
16071614, 2002.
[91] Zhu, Y. Distillation column identification for control using Wiener model. In
Proceedings of the American Control Conference, Hyatt Regency San Diego,
California, USA, June 1999.
[92] Zhu, Y.; Van den Bosch, P. P. J. Optimal closed-loop identification test design
for internal model control. Automatica, 36:12371241, 2000.
Apndice A
Mnimos quadrados com restries
de igualdades
No captulo 3 uma estimativa inicial dos parmetros do modelo de Wiener foi
calculada ao resolver o seguinte problema de otimizao:
= arg min k k22
(A.1)
sujeito restrio R = , em que:

. . 1} ,
R = |0 .{z
. . 0} |1 .{z
m
(A.2)
denota o ganho do bloco dinmico linear de ordem n e m a ordem da polinmio

seccionado que parametriza o bloco esttico no-linear.
De acordo com (3.18), a matriz de regressores dada por:
|y(n + 1) y2 |3
..
.
|y(n + 1) ym1 |3
1
T
=
y(n + 1)
u(n)
..
.
u(1)
..
.
|y(N 1) y2 |3
..
.
|y(N 1) ym1 |3
y(N 1)
u(N 2)
..
..
.
.
u(N 1 n)
|y(N ) y2 |3
..
.
3
|y(N ) ym1 |
1
. (A.3)
y(N )
u(N 1)
..
.
u(N n)
Neste apndice, pretende-se derivar a expresso (3.23), usada para estimar .

Aplicando o mtodo dos multiplicadores de Lagrange [53], a soluo de (A.1), sujeita
123
124
Mnimos quadrados com restries de igualdades
a R = , obtida ao resolver o sistema de equaes:

T T
p (R ) = 0
2 T T + pR = 0
R = 0.
(p (R )) = 0
p
(A.4)
Ao isolar na primeira equao do sistema (A.4) resulta:

1
1
T = pR T
.
2
(A.5)
A segunda igualdade em (A.4) pode ser expressa por:

T RT = .
Com isso, de (A.5) segue que:
1 T
1
R
= pR T
2

1 T 1
.
R
p = 2 R T
(A.6)
Por fim, o multiplicador de Lagrange p de (A.6) substitudo em (A.5):

1
1 T 1
R
R T
T = R T
1 T T
1 1
= T
R R T
.
R
(A.7)
Embora haja uma expresso analtica para estimar o vetor , pode haver mau
1
condicionamento numrico ao inverter as matrizes T e RT T
R, devido
grande quantidade de parmetros a estimar, pois Rn+m e, em geral , n+m 33.
Para evitar tais problemas, ao invs de implementar diretamente (A.7), aproveita-se

o fato de as matrizes que precisam ser invertidas serem (por construo) simtricas
e definidas positivas.
Sabe-se que uma matriz A simtrica e definida positiva pode ser fatorada em
(fatorao de Cholesky [1]):
A = L LT ,
(A.8)
Conforme discutido na seo 3.2.3, uma spline cbica parametrizada por n 3 e, normal-
mente, a ordem do modelo FIR admitida em n 30.
125
em que L triangular inferior com as mesmas dimenses de A e os elementos positivos na diagonal. Portanto, a inversa A1 dada por:
A1 = L LT
1
= L1
T
L1 .
(A.9)
A inverso de uma matriz triangular mais precisa e requer menos esforo computacional, pois o clculo do determinate e dos cofatores significativamente simplificado.
A seguir mostrado como (A.9) pode ser implementada no Matlabr :
L = chol(A);
invL = inv(L);
invA = invL*invL ;
A funo inv() capaz de se beneficiar da estrutura triangular de L para realizar
a inverso matricial. Tambm deve ser mencionado que o ltimo comando ligeiramente diferente de (A.9) porque a funo chol() retorna a transposta de L.
Apndice B
Grficos do limite superior de erro
da plataforma HIL
Na seo 5.2 estudou-se a identificao de um processo de neutralizao de
pH. Os modelos do bloco dinmico linear G(q)

foram classificados de acordo com a
relao entre o mdulo da resposta em frequncia |G(ej )| e a estimativa do limite
superior do erro de modelagem () e segundo o critrio apresentado na Tabela
4.1. Entretanto, naquela oportunidade, os grficos empregados na avaliao de G(q)

foram omitidos para que os resultados pudessem ser discutidos de forma mais clara.
Neste apndice so apresentados os comportamentos do mdulo de G(ej ) e
do limite superior do erro de modelagem estimados quando se analisou:
a degradao nos modelos devido perturbaes do processo (Figura B.1);
o efeito da magnitude do sinal de teste (Figura B.2);
a influncia da sintonia do controlador da malha de pH (Figura B.3).
127
128
Grficos do limite superior de erro da plataforma HIL
| G ej |
0.8
0.6
Ce na ri o 1
0.4
0.2
| G ej |
0.8
0.6
Ce na ri o 2
0.4
0.2
| G ej |
0.8
0.6
Ce na ri o 3
0.4
0.2
ej |
|G
( )
| G ej |
0.8
0.6
Ce na ri o 4
0.4
0.2
3
10
10
10
Fre q ue nc i a [ rad/s]
j ) e limite superior do erro de modelagem dos modelos idenFigura B.1: Mdulo de G(e
tificados durante a anlise do efeito de perturbaes.
129
| G ej |
0.8
0.6
E x c i tac a o natural
0.4
0.2
| G ej |
0.8
0.6
0.4
2, 5% pH no m
0.2
| G ej |
0.8
0.6
0.4
5% pH no m
0.2
ej |
|G
( )
| G ej |
0.8
0.6
0.4
10% pH no m
0.2
3
10
10
10
j )| e de () referente aos modelos estimados adoFigura B.2: Comportamento de |G(e

tando sinais de teste com magnitudes distintas.
130
Grficos do limite superior de erro da plataforma HIL
| G ej |
0.8
0.6
mf = p
0.4
0.2
| G ej |
0.8
0.6
m f = 0, 8 p
0.4
0.2
| G ej |
0.8
0.6
m f = 0, 5 p
0.4
0.2
ej |
|G
( )
| G ej |
0.8
0.6
m f = 0, 2 p
0.4
0.2
3
10
10
10
j )| e () dos modelos estimados ao variar a sintonia do

Figura B.3: Relao entre |G(e
controlador.

Identification of Not Liner Process and Cuantification of Friction in Control Valves

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Identification of Not Liner Process and Cuantification of Friction in Control Valves

Enviado por

Direitos autorais:

Formatos disponíveis

RODRIGO ALVITE ROMANO

IDENTIFICAO DE PROCESSOS NO-LINEARES E

RODRIGO ALVITE ROMANO

IDENTIFICAO DE PROCESSOS NO-LINEARES E

Tese apresentada Escola

Este exemplar foi revisado e alterado em relao verso original, sob

Este trabalho dedicado, com todo o

Vlvula de controle com atuador pneumtico . . . . . . . . . . . . . . 10

Comparao do comportamento da fora de atrito reproduzida pelos

Comportamento da posio da haste em funo do tempo e relao

Fluxograma do modelo emprico de Kano . . . . . . . . . . . . . . . . 21

Diagrama de blocos de um modelo de Hammerstein . . . . . . . . . . 33

Estrutura do modelo de Wiener . . . . . . . . . . . . . . . . . . . . . 33

Modelos de Hammerstein-Wiener e de Lure . . . . . . . . . . . . . . 34

Esquema para identificao em malha fechada . . . . . . . . . . . . . 38

Fluxograma do procedimento para a estimao de parmetros do modelo de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

Malha de controle diante da presena de atrito . . . . . . . . . . . . . 52

Diagrama de blocos do modelo da malha de controle

Densidade espectral de potncia do GBN para diferentes Tsw . . . . . 56

Fluxograma do algoritmo para gerao do sinal GBN . . . . . . . . . 57

Lugar geomtrico dos valores candidatos ao par (S, J) . . . . . . . . . 59

Condio inicial para otimizao na busca do par (S, J) . . . . . . . . 63

Diagrama de blocos da malha simulada . . . . . . . . . . . . . . . . . 74

Grfico da funo esttica no-linear da planta simulada . . . . . . . 74

Grficos da simulao com perturbaes de baixa intensidade . . . . . 76

Dados da simulao para a estimao de parmetros referentes ao

Curvas de nvel do comportamento do erro de simulao Cij , nos ce-

nrios de menor e maior perturbao . . . . . . . . . . . . . . . . . . 77

Grafico de Nyquist do bloco dinmico linear, em ambas as situaes

Limite superior do erro de modelagem no domnio da frequncia na

Estimativa da funo esttica no-linear . . . . . . . . . . . . . . . . 83

5.10 Diagrama ilustrativo da plataforma hbrida (HIL) . . . . . . . . . . . 84

dos adotando sinais de teste com magnitudes distintas . . . . . . . . . 129

j )| e () dos modelos estimados ao variar a

sintonia do controlador . . . . . . . . . . . . . . . . . . . . . . . . . . 130

Classificao do modelo do bloco linear baseada no limite superior do

Comparativo dos algoritmos de estimao de parmetros . . . . . . . 78

Estimativa da funo esttica no-linear da planta simulada . . . . . 83

Constantes de equilbrio das reaes qumicas . . . . . . . . . . . . . 87

Concentrao molar e invariantes de reao dos reagentes . . . . . . . 88

Valores dos parmetros da planta de neutralizao de pH . . . . . . . 89

Especificaes da vlvula de controle que integra a plataforma HIL . . 90

Estimativas dos parmetros dos modelos de Karnopp e Kano . . . . . 93

Cenrios utilizados para avaliar o efeito de perturbaes

Sntese dos resultados provenientes dos diferentes cenrios de pertur-

()1 : inverso matricial;

[Xmin ; Xmax ]: intervalo de valores compreendidos entre Xmin e Xmax ;

max(): valor mximo;

kk2 : norma euclidiana;

cov(X, Y ): covarincia das variveis X e Y ;

(): limite superior do erro de modelagem do bloco G(q) na frequncia ;

: constante usada para gerar o ponto de partida do algoritmo de busca por (S , J );

D: conjunto de valores candidatos para os parmetros (S, J) do modelo de atrito;

DS , Ci : anlogos D e Cij , para J = 0;

F2 : ndice que quantifica o desempenho do modelo da associao atrito + processo

L: bloco dinmico linear;

N : bloco que representa uma funo esttica no-linear;

V (): varincia de G(q)

: parmetros da funo w(k) = f 1 (y(k));

G0 (q), H0 (q): valores reais das funes de transferncia G(q) e H(q);

l, n, nc : ordem do bloco L, do modelo FIR e da mdia mvel usada para representar

lmax , mmax : valores mximos de l e m considerados nos clculos de Voe e Voe ;